Vous êtes sur la page 1sur 25

Rpublique du Sngal

Un peuple-un but-une foi

****************

Ministre de LEconomie et des Finances (MEF)


TRAVAUX pratiques
Du cours de
Ecole Nationale de la Statistique et de lAnalyse Economique (ENSAE)

TRAVAUX PRATIQUES DU COURS


DECONOMETRIE DU MODELE
LINEAIRE

Rdig par :
Carmen Thiburs S. AGBAHOUNGBATA,
Elve Ingnieur des Travaux Statistiques

Sous lencadrement de :
Monsieur Mayoro DIOP,
Economiste, Enseignant lENSAE

Sous lencadrement de :

Fvrier 2013
Monsieur Malick DIOP,
Ingnieur statisticien conomiste,

Sommaire
Avant-propos ........................................................................................................................................... 3
Introduction............................................................................................................................................. 4
I.

Pertinence du thme de ltude et revue de littrature ................................................................. 5

II.

Spcification du modle et estimations .......................................................................................... 7


II.1 Dfinition des variables et prsentation des donnes .................................................................. 7
II.2. Le modle, ses hypothses et estimations................................................................................. 11

III.

Validation du modle ................................................................................................................ 16

IV.

Prvision .................................................................................................................................... 23

Conclusion ............................................................................................................................................. 25

Avant-propos
LEcole Nationale de la Statistique et de lAnalyse Economique (ENSAE-Sngal),
membre du rseau des grandes coles de statistiques dAfrique francophone, est une cole
qui a pour vocation la formation des cadres de conception, dapplication et dexcution en
statistique. Elle forme, en effet, dans ses trois units, des Ingnieurs Statisticiens
Economiques (ISE), des Ingnieurs des Travaux Statistiques (ITS) et des Techniciens
Suprieurs de la Statistique (TSS). Lentre lENSAE est conditionne par la russite un
concours. Ce concours est organis sur le plan national pour lentre dans lunit TSS et
requiers le diplme du baccalaurat scientifique. Il devient sous rgional pour les autres
units de formations et est organis de concert avec les autres coles du rseau. Le diplme
requis pour participer ce concours est la licence pour lunit ISE et le baccalaurat pour la
filire ITS.
Par ailleurs, nous souhaitons rappeler ici que nous assumons lentire responsabilit
de toutes les erreurs et fautes que le lecteur pourrait relever dans ce document. Aucune
uvre humaine ntant parfaite, nous vous saurons gr, des diffrentes remarques que vous
nous ferez parvenir.

Introduction
Au Sngal comme dans la plupart des conomies sous-dveloppes, la mobilisation
de lpargne intrieure est un vritable problme pour les gouvernants. Sil est vrai que les
diffrents agents qui composent la sphre conomique sngalaise nont pas une
propension marginale trs forte pargner, il est aussi vrai que savoir pourquoi cette
propension nest pas aussi significative aiderait davantage nos gouvernants mieux dfinir
et orienter les politiques de stimulation de lpargne intrieure. Cest dans ce souci de mieux
apprhender les diffrents agrgats qui pourraient contribu lexplication de ce faible taux
dpargne et de son faible mouvement dans le temps que le prsent thme qui fait lobjet de
notre TP a t propos. Il sagira donc pour nous de trouver les principaux dterminants du
taux dpargne intrieure brute du Sngal en utilisant des donnes temporelles. Nous
laborerons donc un modle conomtrique scientifiquement labor et reposant sur des
arguments conomiquement fiables. Dans notre tude, nous prendrons comme acquis
lhypothse de stationnarit et de non co-intgration des variables et utiliserons les
diffrents outils conomtriques assimils en classe et issus de nos recherches personnelles
pour rpondre efficacement la question pose.
Ainsi, dans une premire partie nous allons rappeler la pertinence de notre tude et
les tudes et thories ayant dj t faites ou labores sur le sujet afin de circonscrire la
liste des variables qui nous sembleront pertinentes intgrer dans notre modle. Dans la
deuxime partie, nous spcifierons ce modle en prsentant les variables et les donnes
devant faire lobjet de notre tude. Nous estimerons ensuite le modle et le validerons
laide des diffrents tests statistiques qui nous semblerons les plus appropris dans la
troisime partie. Enfin, afin de confirmer la bonne qualit du modle retenu, nous ferons
une prvision des quatre dernires valeurs de la srie originale du taux dpargne. Cest
lobjet de la dernire partie de ce document.

I.

Pertinence du thme de ltude et revue de littrature


Il sagira ici de justifier le thme que nous avions choisit et son importance dans le

contexte conomique actuel du Sngal. Le second point abord ici constitue un rsum
des diffrentes recherches effectues sur les dterminants de lpargne intrieure au
Sngal.

La pertinence du thme dtude


Dans les conomies sous-dveloppes comme le Sngal, ce sont les capitaux
trangers qui viennent prioritairement financer lconomie nationale en tant la principale
source dinvestissement des entreprises, faute dune pargne intrieure abondante. Ce qui
augmente notre dpendance et partant, la vulnrabilit de notre systme conomique face
aux chocs extrieurs. Or, lun des objectifs principaux des pouvoirs publics est la diminution
de la dette vis--vis de ltranger. Ce qui devra rduire notre dficit extrieur qui ne cesse de
se creuser davantage. Pour ce faire, lune des solutions les plus efficaces et prconise
dailleurs est de stimuler lpargne intrieure, mais comment ?
Cest la question laquelle la prsente tude souhaite apporter une contribution.
Bien quelle sinscrive dans un cadre purement acadmique, les rsultats issus de cette
analyse exploratoire sur les dterminants du taux dpargne des mnages sngalais
devraient nous permettre didentifier les variables sur lesquelles il faudra agir pour une
meilleure rponse des populations en matire dpargne.

La revue de littrature
Sur le plan thorique, deux modles conomiques semblent simposer dans lanalyse
des dterminants du taux dpargne. Dune part la thorie de lajustement des stocks qui a
t largement dveloppe par Hounthakker et Taylor (1966). Cette thorie reconnait une
corrlation positive entre le taux dpargne prsent et ses valeurs aux priodes prcdentes
par le biais dun processus dajustement continu rgissant tout comportement conomique.
Dautre part la thorie du cycle de vie qui stipule que le profil chronologique de la
consommation du mnage (et donc de lpargne) dpends de diffrents facteurs dont les
plus importants sont : le taux dintrt sur le march (mme raisonnement chez les
classiques en considrant que le taux dintrt est le loyer de largent), le taux de prfrence

temporelle sur le march, lesprance de vie la naissance, lge la retraite, le PIB par
habitant et le taux de croissance du PIB rel (car en effet les diffrents motifs dpargnes
nengendrent une pargne globale positive des mnages que dans une conomie en
expansion).
De faon empirique, les rsultats obtenus partir des tudes sur les dterminants de
lpargne des mnages ont aboutis des conclusions varies selon que lanalyse soit
temporelle ou longitudinale.
En effet, daprs les analyses de Loayza, Schimidt-Hebbel et Serven, le taux
dinvestissement domestique a une influence positive sur lpargne nationale ainsi que sur
lpargne prive (avec un impact beaucoup plus faible) alors que son impact est ngatif sur
lpargne des mnages industrialiss. De lautre cot, les variables du revenu voluent dans
le mme sens que les taux dpargne public et priv. Aussi leurs travaux ont-ils permis de
faire ressortir la compensation partielle qui seffectue entre pargne publique et prive
travers leffet positif dune augmentation de lpargne nationale sur lpargne publique.
Nanmoins, la corrlation entre pargne publique et prive reste ambigu cause du fait que
lorsque lon utilise les variables du gouvernement central dont la mesure na pas t ajuste
des gains en capital, cette corrlation est inexistante. Mais les rsultats sur un chantillon
des pays en voie de dveloppement indiquent quand mme quil y a une compensation
partielle qui intervient entre pargne prive et pargne publique.
Quant aux rsultats des travaux de Hadji Michael, Ghura, Muhleisen, R. Nord et E. Murat
uces (1995) qui ont tous utilis des donnes temporelles afin de faire ressortir la relation
existante entre pargne domestique ou pargne intrieure et un certain nombre dautres
variables dans 39 pays africains subsahariens, leurs conclusions sont semblables. Les
variables de revenu telles que le PIB par habitant ou le taux de croissance du PIB rel ont
une influence positive sur le niveau de lpargne. Aussi, la stabilit macroconomique au
sein des pays considrs constitue une importante donne dans la stimulation de lpargne
car un faible taux dinflation combin avec un ratio du dficit budgtaire bas induit une
pargne accrue. De mme, le taux dinflation, les variations des termes de lchange,
laccroissement de la masse montaire, le taux dintrt rel ainsi que le ratio de
dpendance entretiennent une corrlation forte avec le taux dpargne.

II.

Spcification du modle et estimations


Pour mieux cerner les principaux dterminants de lpargne intrieure au Sngal, il

importe avant lestimation de notre modle de dfinir toutes les variables retenues pour
lanalyse. Nous prsenterons galement dans cette partie les donnes qui nous serviront
pour lvaluation empirique ainsi que les hypothses qui sous-tendent notre modle. La
priode retenue pour cette tude couvre les annes 1974 2010, soit 37 observations
annuelles. Dans le modle nous utiliserons 32 observations pour lestimation (1975-2006) et
le reste servira de comparaison aprs la prvision.

II.1 Dfinition des variables et prsentation des donnes


La variable dpendante (EIB)
La variable dont nous voudrions expliquer les variations est le taux dpargne
intrieur brut du Sngal. Il est libell en pourcentage du PIB et nous provient des donnes
de la banque mondiale. Du point de vue comptable, le taux dpargne est gal la moyenne
pondre des taux dpargnes des trois principaux secteurs de lconomie : les mnages, les
entreprises et les administrations publiques. La pondration se fait en fonction des parts
respectives des trois secteurs dans le revenu national disponible. Mais pour nos pays en voie
de dveloppement comme le Sngal, lpargne est calcule soit par la diffrence entre le
produit national ou intrieur brut et la consommation selon quil sagit de lpargne
nationale ou de lpargne intrieure, soit celle entre linvestissement brut et le dficit de la
balance des paiements courants.
Ainsi dfinit, les estimations relatives lpargne sont sujettes de considrables
erreurs de mesure dans nos pays et appellent donc comme le dit le professeur Guillemont
Patrick diverses prcautions dfaut desquelles les interprtations risquent dtre
errones dautant plus que les conomies sous-dveloppes sont plus ouvertes sur
lextrieur . Les donnes que nous avions recueillies au niveau de la banque mondiale
concerne la priode 1974-2010. Cette priode inclut donc lanne de dvaluation du franc
CFA. Nous utiliserons plus loin une variable indicatrice pour mesurer limpact de ce choc
conomique sur lvolution du taux dpargne intrieur.

Figure 1: Taux d'pargne intrieur brut du Sngal (en % du PIB)


20

16

12

0
1975

1980

1985

1990

1995

2000

2005

2010

Source : Banque Mondiale, nos calculs sous Eviews

Au vu de ces variations, nous utiliserons dans notre modle, le logarithme nprien


du taux dpargne (LEIB) comme variable dpendante. Ceci pour attnuer les fluctuations.
Les variables explicatives
1. Le taux dpargne dcale dune anne (LEIB(-1) )
Comme la suggr la thorie de Hounthakker, cette variable nous permet
dapprcier la clrit avec laquelle le taux dpargne prsent sajuste au taux dpargne
dsir par an. Puisquil sagit dune diffrence premire de la variable LEIB, nous perdrons
donc la premire anne (1974) de notre tude.
2. Le produit intrieur brut par habitant (PIBH)
En nous rfrant lhypothse Keynsienne du revenu absolu, il existe une relation
positive entre le produit par tte et lpargne. Donc en introduisant cette variable comme
dterminant de lpargne, on effectue en fait un test de validit de cette hypothse. Ainsi,
une augmentation du PIB par habitant devra accroitre le taux dpargne.
3. Le taux de croissance du PIB rel (CPIB)
Daprs les dfenseurs de la thorie friedmanienne, lpargne est fonction du
revenu permanent plutt que du revenu courant, de telle sorte quelle varie avec les carts
du revenu permanent qui peuvent tre estims par le taux de croissance du PIB. La
croissance conomique induirait donc un accroissement de lpargne intrieure.
4. Le ratio de dpendance (RD)
Lhypothse du cycle de vie de Modigliani met en exergue limportance de la
structure par ge de la population, dans la dtermination du comportement dpargne. Sur

la base de cette thorie, les individus devraient avoir une pargne ngative quand ils sont
jeunes avec un revenu trs faible ou lorsquils sont vieux et retraits. Lpargne sera positive
durant leurs annes de productivit. Mais cette hypothse ne se reflte significative sur
lpargne que lorsque lon fait une analyse travers les pays. Dans le cas dune tude
longitudinale, cette variable a peu dintrt parce quelle est ne se modifie pas sensiblement
au cours du temps, toutes choses gales par ailleurs. Ainsi, en incluant cette variable dans
notre modle, nous souhaitons tester cette hypothse pour le cas du Sngal.
5. Lpargne trangre (BP courant)
Lpargne trangre est mesure par le compte courant de la balance des paiements.
Elle entretient une relation priori ngative sur lpargne intrieure. En effet, plus les
mouvements de capitaux privs sajustent sur les variations de lpargne trangre, moins
lpargne domestique devient comptitive.
6. Le taux dintrt rel (TINT)
Les avis sont assez partags ici : dune part, une hausse du taux dintrt rel
rduirait la valeur prsente du revenu futur, ce qui inciterait les agents conomiques
substituer leur consommation prsente une consommation future plus importante pour le
mme type de prfrences. Cependant, il convient de signaler quun accroissement du taux
dintrt rel amliore le revenu dintrt qui permettrait au consommateur daccder une
utilit plus grande.
Ainsi, leffet net dune variation du taux dintrt rel sur leffort dpargne consenti
par les agents conomiques, relverait de lempirisme, tant donn que deux effets de sens
contraires sopposent ici : leffet de substitution positif et leffet-revenu ngatif. Nous
laissons donc le problme ouvert jusqu lestimation de notre modle afin dapprcier le
sens dans le cas du Sngal.
7. Le degr dapprofondissement financier (M2)
Un environnement financier approfondi dans une conomie en dveloppement est
associ la disponibilit croissante des instruments dpargne et lutilisation accrue des
actifs financiers pour entretenir le niveau de richesse, ceci constitue un rsultat potentiel
dune hausse du taux dpargne. Pour capter cela, nous utiliserons la monnaie et la quasi
monnaie en pourcentage du PIB.

8. Lesprance de vie la naissance (EVN)


Selon le modle du cycle de vie, une augmentation de lesprance de vie accroit
toutes choses gales par ailleurs, le taux dpargne des mnages. Chaque individu a besoin
damasser un patrimoine plus important pour financer un flux constant de consommation
pendant une priode de retraite plus longue.
9. Le taux dinflation (IPC)
Comme nous lavions prciser au niveau de la revue de littrature, un taux dinflation
lev peut engendrer une dpense de consommation montaire plus leve et si le salaire
ne suit pas cette volution, court terme, le taux dpargne peut baisser.
10. La dpense de consommation finale des mnages (DCFMEN)
Daprs John Maynard Keynes, lpargne nest que le rsidu du revenu. Il considre
ainsi que les mnages ne pensent pargner que si leurs ambitions de consommations sont
atteintes. Dans un pays en voie de dveloppement comme le Sngal o la propension
marginale consommer reste encore leve (autour de 0,7), cette variable est prendre en
compte. Plus la dpense de consommation des mnages est grande, moins ils pargnent. Ce
qui impact ngativement lpargne intrieure brute.
11. Les effets de la dvaluation (DEV)
Cette variable est une indicatrice qui cherche saisir les effets de la dvaluation du
FCFA intervenue le 10 janvier 1994. Elle prend la valeur 0 de 1974 1993 et la valeur 1 de
1994 2010.
Les graphiques de toutes les variables explicatives excepte le taux dpargne retard
et les effets de la dvaluation sont prsents ci-dessous. Toutes ces variables sauf le PIBH, le
TINT, lIPC et le RD sont libells en pourcentage du PIB.

Figure 2: volution des diffrentes variables explicatives au cours de la priode 1974-2010

Source : Banque Mondiale, nos calculs sous Eviews

Aprs examen des graphiques, il importe de prendre le logarithme des variables qui
ne prsentent pas de valeurs ngatives pour attnuer les fluctuations.
II.2. Le modle, ses hypothses et estimations
A partir de la littrature, le premier modle auquel nous aboutissons est celui du
modle linaire multiple avec constante et qui scrit comme suit :
Pour tout

on a :

Sous la forme matricielle, nous avons :

Avec

;
(

et
(

Les hypothses sur lesquelles repose ce modle sont les hypothses standard du
modle linaire multiple savoir :
Les hypothses stochastiques
H1 : les variables explicatives sont non alatoires, cest--dire observes sans erreur.
H2 :

[ ]

, lesprance de lerreur est nulle. En moyenne le modle est bien

spcifi.
H3 :

[ ]

, la variance de lerreur est constante, cest lhypothse

dhomoscdasticit.
H4 :

pour

, les erreurs sont indpendantes, cest lhypothse

de non auto corrlation des rsidus.


H5 :

H6 :

, lerreur est indpendante des variables exognes.


, les erreurs sont distribues selon une loi normale.

Les hypothses stochastiques


H7 : la matrice

est rgulire c'est--dire

une matrice de plein rang.


H8 :

tend vers une matrice finie non singulire lorsque

et

existe. Cest

H9 :

, le nombre dobservations (n) est suprieur au nombre de paramtres

estimer. Dans le cas o

, nous avons une interpolation, la droite passe

exactement par tous les points. Lorsque

, la matrice

nest plus

inversible.
A partir de ce modle, nous allons utiliser la mthode dite de pas pas avec
bacward regression pour ne retenir que les variables qui contribuent significativement
lexplication du taux dintrt. Une estimation nave du modle sous le logiciel Eviews
nous donne le rsultat ci-aprs :
Figure 3: estimation nave du modle de dpart
Dependent Variable: LEIB
Method: Least Squares
Date: 02/10/13 Time: 11:35
Sample (adjusted): 1975 2010
Included observations: 36 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

LDCFMEN
IPC
LEVN
LM2
LPIBH
TINT
RD
BP_COURANTS
CPIB
DEV
DLEIB
C

-7.062121
-0.005776
1.265948
-1.233579
6.639383
0.122177
-0.621598
0.026033
-0.012531
1.278058
0.201003
-53.60436

1.849117
0.006860
1.646017
0.585855
1.751882
0.063321
2.644405
0.019967
0.017364
0.281202
0.100201
23.20220

-3.819186
-0.842054
0.769098
-2.105604
3.789857
1.929472
-0.235062
1.303828
-0.721678
4.544978
2.006001
-2.310313

0.0008
0.4081
0.4493
0.0459
0.0009
0.0656
0.8162
0.2047
0.4775
0.0001
0.0563
0.0298

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.899056
0.852790
0.233789
1.311777
8.536669
19.43229
0.000000

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

1.743141
0.609334
0.192407
0.720247
0.376637
1.320060

Source : Banque Mondiale, nos calculs sous Eviews

Daprs ces rsultats, notre rgression est de bonne qualit. Le R2 nous dit quenviron
90% des variations du taux dpargne sont expliques par les variations des diffrentes
variables exognes incluses dans le modle. Mais au vu des tests de significativit des
coefficients qui se rvlent non conluants pour la plupart des exognes, un examen

approfondi des relations quentretiennent ces variables explicatives simposent. Ainsi, la


matrice de corrlation entre ces variables nous donne ce qui suit :
Tableau 1: Matrice de corrlation linaire entre les exognes

DLEIB
DEV
CPIB
BP_COURANTS
IPC
LEVN
LM2
LDCFMEN
LPIBH
RD
TINT

DLEIB
1,000000
0,256838
0,292692
0,147054
-0,043341
0,291733
0,087361
-0,020475
-0,117640
0,016004
-0,174213

DEV

CPIB

BP_COURANTS

IPC

LEVN

LM2

LOGDCFMEN

LPIBH

RD

TINT

1,000000
0,228392
0,260887
-0,154139
0,768892
0,468397
0,459057
0,055247
0,755213
-0,889112

1,000000
0,131749
-0,021072
0,105845
0,021403
-0,169341
0,331551
0,258904
-0,214326

1,000000
0,003970
0,014718
-0,299159
-0,047316
-0,199724
0,215113
-0,291617

1,000000
-0,450589
-0,289912
-0,295932
-0,035960
-0,142690
0,227691

1,000000
0,561232
0,777083
-0,062203
0,513937
-0,670169

1,000000
0,378240
0,630679
0,679157
-0,344466

1,000000
-0,184681
0,300695
-0,418186

1,000000
0,573638
-0,047334

1,000000
-0,728867

1,000000

Source : Banque Mondiale, nos calculs sous Excel

Lanalyse de la matrice combine avec le test de prsomption de multi colinarit de


Klein nous indique des variables candidates. Mme si cela nest pas un vrai test, en comparant le
R2 (0,9) obtenu de lestimation prcdente avec les coefficients de corrlation, nous constatons
que certaines variables ont des coefficients assez proches du R2, dfaut de lui tre suprieur.
Ainsi, nous souponnons de colinaires les variables esprance de vie la naissance et
consommation finale des mnages dune part (r=0,77) et ratio de dpendance et taux dintrt
dautre part (r=-0,73).
Mais pour confirmer nos soupons nous allons calculer le facteur dinfluence de la
variance (VIF). Ce facteur est le principal critre de dtermination de la multi colinarit
gnrale. Il dpasse donc le cadre de la corrlation bi varie que dtecte le test de Klein. Pour
dtecter la multi colinarit en effet, il faudrait effectuer la rgression de chaque exogne X j sur
les (p-1) autres exognes, puis tudier leur coefficient de dtermination R j. plus le facteur sera
lev (considrons ici >10) pour une variable Xj, et plus la variance de lestimateur du coefficient
de cette variable ( sera leve. Lestimateur ( sera donc trs instable, et aura moins de
chances dtre significatif dans le test de nullit du coefficient dans la rgression.
Si C est la matrice des corrlations entre les exognes, de taille (p*p) le facteur dinflation
de la variance peut tre lue la coordonne j de la diagonale principale de la matrice inverse C1

. Cette matrice est reproduite sur le tableau 2 et les cases colores sont les VIF des exognes.

Ainsi, nous pouvons conclure dfinitivement que lesprance de vie la naissance et le ratio de
dpendance se rvlent comme des variables superflues dans le modle. C'est--dire quelles
sont trop corrles avec les autres variables. Une autre variable aussi suffisamment corrle aux
autres est la variable indicatrice que nous avions introduite dans le modle pour capter leffet de
la dvaluation. Etant donc une variable clef pour lanalyse, nous la maintenons dans notre
modle tout en corrigeant la multi colinarit.
Tableau 2: matrice de corrlations des exognes inverse

DLEIB
DEV
CPIB
BP_COURANTS
IPC
LEVN
LM2
LDCFMEN
LPIBH
RD
TINT

DLEIB
1,72261676
0,25816684
-0,51110545
-0,55167238
-0,39890981
-1,29889269
-1,04165832
0,97956593
0,40214843
1,05150309
0,31583785

DEV
0,25816684
12,7581151
-0,78933551
-0,39145811
-2,06869017
-6,04300454
-1,87122917
2,94163185
3,82276607
-4,91167355
4,71279212

CPIB
BP_COURANTS
IPC
LEVN
LM2 LOGDCFMEN LPIBH
RD
TINT
-0,51110545
-0,551672385 -0,39890981 -1,29889269 -1,04165832 0,97956593 0,40214843 1,051503092 0,31583785
-0,78933551
-0,391458115 -2,06869017 -6,04300454 -1,87122917 2,94163185 3,82276607 -4,91167355 4,71279212
2,2042324
0,146068648 0,00072831 -1,7448706 2,47556699 0,49225095 -2,43913882 0,219459416 -0,34224938
0,14606865
2,112870311 0,4642984 0,48297246 1,77127059 -0,07893337 0,62834699 -2,47494141 -0,77577393
0,00072831
0,4642984 1,8310319 2,45282211 0,49543929 -0,88287926 0,08961649 -0,41162189 -1,04066451
-1,7448706
0,482972461 2,45282211 13,4038414 -4,11888489 -5,62902678 2,52447904 1,41225237 -0,03192394
2,47556699
1,771270587 0,49543929 -4,11888489 8,71744393 0,12379842 -4,88448198 -2,51375022 -2,68000496
0,49225095
-0,078933366 -0,88287926 -5,62902678 0,12379842 4,51382401 0,93217265 -1,34396857 0,29201243
-2,43913882
0,628346987 0,08961649 2,52447904 -4,88448198 0,93217265 8,34050336 -5,51345153 -0,11568465
0,21945942
-2,474941407 -0,41162189 1,41225237 -2,51375022 -1,34396857 -5,51345153 12,03953242 3,26794117
-0,34224938
-0,775773929 -1,04066451 -0,03192394 -2,68000496 0,29201243 -0,11568465 3,267941166 6,73656097
Source : Banque Mondiale, nos calculs sous Excel

Ainsi, en utilisant les critres AIC (Akaike info criterion) et BIC (Schwarz criterion), nous
sommes parvenus liminer les variables qui rendaient notre modle plus complexe sans
apporter un gain majeur en information. C'est--dire sans expliquer significativement la variable
dpendante. Le principe est simple. A partir du modle rduit 09 variables explicatives (sans
LEVN et RD), nous avions limin une une les exognes qui permettent de diminuer lAIC (ou
augmenter le BIC) et de continuer ainsi tant que la suppression dune variable amliore le critre.
Finalement, au bout de trois itrations, nous obtenons le modle estim suivant :

Figure 4: Estimation du modle obtenu aprs slection des variables


Dependent Variable: LEIB
Method: Least Squares
Date: 02/05/13 Time: 18:28
Sample: 1974 2006
Included observations: 33
Variable

Coefficient

Std. Error

t-Statistic

Prob.

LM2
LOGDCFMEN
LPIBH
TINT
DEV
C

-1.291830
-6.189688
6.040921
0.132724
1.496349
-45.62102

0.429080
1.518044
1.332927
0.059104
0.206327
21.38800

-3.010700
-4.077410
4.532072
2.245577
7.252321
-2.133019

0.0056
0.0004
0.0001
0.0331
0.0000
0.0422

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.874465
0.851218
0.247384
1.652368
2.580943
37.61600
0.000000

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

1.740608
0.641352
0.207216
0.479308
0.298766
1.296560

Source : Banque Mondiale, nos calculs sous Eviews

III. Validation du modle


Tout bon modle avant dtre dclar valide conomiquement doit pouvoir vrifier
ses propres hypothses. Cest cette tache que nous nous attelons dans cette partie.
Le graphique des rsidus
Le graphique des rsidus en fonction de la variable dterminante nous permet de
nous rendre compte de la qualit de la rgression. Dans notre cas, part le point dordonne
-3 qui semble etre atypique, on peut dire que tous les autre points ont t biens reconstitus
par la rgression. En moyenne les rsidus sont disperss autour de la valeur nulle.
Figure 5: Rsidus de l'estimation

Source : Banque Mondiale, nos calculs sous Eviews

LAuto corrlation des rsidus


Pour vrifier lauto corrlation des rsidus, lun des tests les plus utiliss est celui de
Durbin Watson qui dtecte lauto corrlation dordre 1. Malheureusement, la valeur de
notre statistique ici est comprise entre d1 et d2 de la table de Durbin Watson. Ce qui ne
nous permet pas de conclure car cest la zone dincertitude. Nous faisons donc un examen
graphique rapide de la situation avant de passer au test de Breusch Godfrey.
Figure 6: examen graphique d'auto corrlation des rsidus
Date: 02/05/13 Time: 19:01
Sample: 1974 2010
Included observations: 33
Autocorrelation
. |**
. *| .
. |.
. |.
.**| .
.**| .
.**| .
. *| .
. |.
. |*.
. |.
. |.
. |*.
. |*.
. *| .
. *| .

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

Partial Correlation
. |** |
. *| . |
. |. |
. |. |
***| . |
. *| . |
.**| . |
. *| . |
. |*. |
. |. |
.**| . |
. *| . |
. |. |
. |. |
. *| . |
. *| . |

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

AC

PAC

0.308
-0.071
-0.027
0.016
-0.310
-0.335
-0.279
-0.179
0.032
0.200
0.020
-0.042
0.174
0.175
-0.136
-0.185

0.308
-0.184
0.064
-0.009
-0.360
-0.128
-0.271
-0.155
0.094
0.047
-0.208
-0.179
-0.012
-0.055
-0.184
-0.139

Q-Stat
3.4195
3.6095
3.6375
3.6479
7.6037
12.406
15.871
17.355
17.404
19.415
19.435
19.532
21.272
23.128
24.306
26.621

Prob
0.064
0.165
0.303
0.456
0.179
0.053
0.026
0.027
0.043
0.035
0.054
0.076
0.068
0.058
0.060
0.046

Source : Banque Mondiale, nos calculs sous Eviews

Cet examen nous permet de souponner une auto corrlation dordre 1. Ce qui est
confirm par le test de Breusch Godfrey au seuil de 5% que nous avions effectu. Ainsi, pour
corriger cette auto corrlation, nous avions rajout dans le modle, toutes les variables
explicatives retardes dordre 1. Lestimation du nouveau modle et llimination des
exognes non significatifs nous a conduit retenir deux variables retardes qui corrigent
dfinitivement le problme de lauto corrlation des erreurs. La situation est rsume dans
les figures qui suivent.

Figure 7: test de Breush Godfrey

Breusch-Godfrey Serial Correlation LM Test:


F-statistic
Obs*R-squared

0.033296
0.046257

Prob. F(1,23)
Prob. Chi-Square(1)

0.8568
0.8297

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 02/11/13 Time: 05:12
Sample: 1975 2006
Included observations: 32
Presample missing value lagged residuals set to zero.
Variable

Coefficient

Std. Error

t-Statistic

Prob.

LM2
LPIBH
TINT
LDCFMEN(-1)
DLEIB
LDCFMEN
DEV
C
RESID(-1)

-0.038118
0.106499
0.002622
0.122856
0.011170
0.151436
-0.001683
-2.460869
-0.052840

0.456853
1.626346
0.056130
2.341414
0.129376
2.198264
0.205424
28.08156
0.289578

-0.083437
0.065484
0.046720
0.052471
0.086337
0.068889
-0.008192
-0.087633
-0.182471

0.9342
0.9484
0.9631
0.9586
0.9319
0.9457
0.9935
0.9309
0.8568

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.001446
-0.345878
0.223055
1.144331
7.888625
0.004162
1.000000

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

1.47E-14
0.192269
0.069461
0.481699
0.206106
1.975470

Source : Banque Mondiale, nos calculs sous Eviews

Les p-values des statistiques de Fisher (F-statistique) et du multiplicateur de


Lagrange(Obs*R-squared) sont trs suprieurs 0,05. Nous acceptons donc lhypothse
nulle de non auto corrlation des erreurs.
Ainsi donc, le nouveau modle corrig de la multi colinarit, et de lauto corrlation
des erreurs scrit comme suit :

Son estimation est faite la figure 8. Tous les coefficients des exognes y sont significatifs au
seuil de 5%.

Figure 8: estimation du modle corrig de l'auto corrlation


Dependent Variable: LEIB
Method: Least Squares
Date: 02/05/13 Time: 19:10
Sample (adjusted): 1975 2006
Included observations: 32 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

LM2
LOGDCFMEN
LPIBH
TINT
DEV
C
LEIB(-1)
LDCFMEN(-1)

-1.428553
-7.038505
6.754018
0.163647
1.347662
-74.25418
0.234369
5.332893

0.398029
1.994176
1.487126
0.053155
0.201042
24.12998
0.111658
2.196905

-3.589069
-3.529530
4.541659
3.078659
6.703384
-3.077258
2.098982
2.427458

0.0015
0.0017
0.0001
0.0051
0.0000
0.0052
0.0465
0.0231

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.904582
0.876752
0.218517
1.145990
7.865436
32.50366
0.000000

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

1.707573
0.622437
0.008410
0.374844
0.129873
1.996852

Source : Banque Mondiale, nos calculs sous Eviews

Le test de normalit
Le test de normalit effectu sur les rsidus nous permet de valid lhypothse de
normalit. En effet, la p-value associe la statistique de Jacques Bera tant infrieur 0,5
nous rejetons lhypothse nulle de non normalit des rsidus avec 95% de confiance.
Figure 9: Test de normalit des rsidus

Source : Banque Mondiale, nos calculs sous Eviews

Le test dhomoscdasticit
Ici, nous avions utilis le test de White qui est plus gnral pour dtecter une
htroscdasticit des erreurs. Lhypothse nulle de ce test postule que les rsidus sont
homoscdastiques, c'est--dire de variance constante. Daprs la figure10, nous acceptons
cette hypothse au seuil de 5%.
Figure 10: Test de White
Heteroskedasticity Test: White
F-statistic
Obs*R-squared
Scaled explained SS

1.616298
10.25231
14.24421

Prob. F(7,24)
Prob. Chi-Square(7)
Prob. Chi-Square(7)

0.1788
0.1747
0.0470

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 02/11/13 Time: 05:30
Sample: 1975 2006
Included observations: 32
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
LM2^2
LPIBH^2
TINT^2
LDCFMEN(-1)^2
DLEIB^2
LDCFMEN^2
DEV^2

10.83834
0.045136
-0.048614
-0.002215
-0.005154
0.007397
-0.167264
-0.134501

4.240416
0.021960
0.021451
0.001571
0.108434
0.016584
0.087368
0.072219

2.555962
2.055387
-2.266253
-1.409814
-0.047530
0.446032
-1.914470
-1.862393

0.0173
0.0509
0.0327
0.1714
0.9625
0.6596
0.0676
0.0748

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.320385
0.122163
0.075769
0.137783
41.75889
1.616298
0.178782

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

0.035812
0.080870
-2.109931
-1.743497
-1.988468
2.646595

Source : Banque Mondiale, nos calculs sous Eviews

Les tests de stabilit des coefficients


Le test de stabilit de Chow consiste tester lexistence dune instabilit des
paramtres lintrieur dun intervalle de temps. En pratique, on examine la diffrence
entre la somme des carrs rsiduels, calcule sur la totalit de la priode, et les sommes des
carrs des rsidus, obtenues avec les autres rgressions. Cest la statistique de Fisher qui
permet darbitrer lhypothse nulle. Eviews propose deux tests de Chow: le Chow breakpoint
test et le Chow forecast test. Le premier compare les coefficients de chaque sous-priode
alors que le second compare les coefficients du modle global et ceux dune sous-priode.

Pour notre modle, en choisissant le Chow breakpoint test et en prenant comme


point de fissure, les rsultats nous permettent daccepter H0 au seuil de 5%. Nos coefficients
sont ainsi stables entre les priodes 1975-1994 et 1994-2006.
Quant au test de Ramsey, il permet de vrifier trois hypothses la fois. En effet, il
vrifie sil ny a pas domission de variables pertinentes, de corrlation entre les exognes et
les erreurs, et enfin, si la forme fonctionnelle du modle est correcte. Son hypothse H0
nous dit que le modle est bien spcifi. C'est--dire que les rsidus sont desprance nulle.
Figure 11: Test de Ramsey
Ramsey RESET Test
Equation: UNTITLED
Specification: LEIB LM2 LOGDCFMEN LPIBH TINT DEV C LEIB(-1)
LOGDCFMEN(-1)
Omitted Variables: Squares of fitted values
Value
1.184243
1.402432
1.894034

df
23
(1, 23)
1

Probability
0.2484
0.2484
0.1687

Sum of Sq.
0.065861
1.145990
1.080129
1.080129

df
1
24
23
23

Mean
Squares
0.065861
0.047750
0.046962
0.046962

Value
7.865436
8.812453

df
24
23

t-statistic
F-statistic
Likelihood ratio
F-test summary:

Test SSR
Restricted SSR
Unrestricted SSR
Unrestricted SSR
LR test summary:
Restricted LogL
Unrestricted LogL

Unrestricted Test Equation:


Dependent Variable: LEIB
Method: Least Squares
Date: 02/05/13 Time: 19:29
Sample: 1975 2006
Included observations: 32
Variable

Coefficient

Std. Error

t-Statistic

Prob.

LM2
LOGDCFMEN
LPIBH
TINT
DEV
C
LEIB(-1)
LOGDCFMEN(-1)
FITTED^2

-2.068802
-9.398448
9.915353
0.194040
1.829611
-111.2964
0.334474
7.390773
-0.137035

0.669407
2.807553
3.049802
0.058631
0.453182
39.38328
0.139311
2.786837
0.115715

-3.090499
-3.347559
3.251147
3.309532
4.037253
-2.825980
2.400923
2.652030
-1.184243

0.0052
0.0028
0.0035
0.0031
0.0005
0.0096
0.0248
0.0142
0.2484

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.910066
0.878785
0.216707
1.080129
8.812453
29.09290
0.000000

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

1.707573
0.622437
0.011722
0.423960
0.148367
2.045362

Source : Banque Mondiale, nos calculs sous Eviews

Le test de CUSUM (Cumulative Sum) est bas sur la somme des recursive residuals
(obtenues en faisant des estimations puis des prvisions rptes avec diffrentes parties de
lchantillon) divise par leur cart type calcule sur toute la priode. Dans notre cas la
statistique sur les rsidus est contenue dans lintervalle de confiance. Ce test conduit lui
aussi la stabilit des coefficients.
Figure 12: CUSUM Test

Source : Banque Mondiale, nos calculs sous Eviews

Interprtation du modle
Les diffrents tests de validation du modle stant rvls concluant, nous avons
donc le modle dfinitif suivant :

Les diffrentes estimations des coefficients confirment nos analyses prliminaires


quant au sens de variation de lendogne par rapport aux exognes.
Ainsi, toutes choses tant gale par ailleurs :
o Une hausse de 1% du taux dpargne lanne prcdente, entraine une
hausse de 0,14% du taux dpargne la priode courante.
o Un accroissement de 1% de la dpense de consommation finale des mnages
lanne prcdente augmente de 0,73% lpargne intrieure brute courante
rapporte au PIB.

o Une hausse de 1% de la dpense de consommation finale des mnages,


entraine une baisse de 4,19% du taux dpargne.
o Lorsque le taux dintrt augmente de 1%, le taux dpargne accroit de 0,13%.
o Pour un accroissement de 1% du PIB par habitant, le taux dpargne volue
positivement de 7,37%. Cest la hausse la plus prononce constate dans le
modle.
o La masse montaire quand elle influe positivement sur le taux dpargne.
Quant leffet de la dvaluation, nous constatons quil est positif sur le taux
dpargne. En effet, la dvaluation a entrain un accroissement de 1,41% du
taux dpargne intrieure.

IV.

Prvision

Lun des objectifs majeurs de lconomtrie est deffectuer des prvisions. Notre
modle tant valid, nous pouvons nous attendre une bonne reconstitution des taux
dpargne de 2007 2010 par la rqression. Pour effectuer la prvision, nous utilisons les
valeurs des variables explicatives de la priode 1982-2010, les valeurs prdites qui nous
concernent tant celles de la priode colore en jaune au tableau 3.
Tableau 3: Valeurs prdites et Valeurs relles

obs 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
LEIBF 1,99 1,10 1,34 1,53 1,13 1,66 1,00 1,18 1,06 1,00 0,84 0,15 1,71 1,96 1,68 1,93 2,10 2,44 2,35 2,27 1,97 2,17 2,21 2,63 2,23 2,30 2,18 2,47 2,42
LEIB 1,73 1,21 1,43 1,76 1,28 1,94 1,29 1,06 0,86 1,06 0,86 -0,09 1,34 1,97 1,78 2,15 2,19 2,39 2,41 2,24 1,91 2,17 2,07 2,65 2,37 2,15 1,96 2,23 2,38
Source : Banque Mondiale, nos calculs sous Eviews
Figure 13: graph du taux d'pargne reconstitu par le modle avec l'intervalle de confiance

Source : Banque Mondiale, nos calculs sous Eviews

Daprs les statistiques qui se trouvent gauche de la figure 13 notamment le coefficient


de Theil qui varie toujours entre 0 et 1, nous pouvons conclure une bonne qualit de la
prvision. Le Theil gal 0 tant synonyme de parfaite prvision.
Pour voir si les donnes prdites sont toutes dans lintervalle de confiance, nous allons
visualiser les sries LEIB (taux dpargne intrieur rel), LEIBF (taux dpargne intrieur prdit par
le modle), LEIBF_SUP (borne suprieure de lintervalle de confiance), LEIBF_INF (borne
infrieure). On obtient le graphique suivant :
Figure 14: graph des sries relles et prdites du taux d'pargne

Source : Banque Mondiale, nos calculs sous Eviews

Le graphique confirme lanalyse du coefficient de Theil effectu plus haut. Notre modle a
bien prdit les valeurs.

Conclusion
Au terme de notre analyse il ressort clairement que le taux dpargne intrieure brute au
Sngal est expliqu 85% (

) par le taux dintrt rel du march, le PIB par habitant,

la dpense de consommation finale des mnages, le degr dapprofondissement financier du


pays et les variables retardes dordre 1 que sont le taux dpargne et la consommation finale
des mnages. Il faut aussi noter leffet positif de la dvaluation sur lpargne intrieure, effet qui
a servit relever le niveau de cette pargne aprs lanne 1994. Au travers de cette analyse
conomtrique, nous sommes un peu plus clairs dsormais sur les variables cls qui pourraient
influencer positivement ou ngativement sur lpargne au Sngal. Nous avions pu utiliser la
majorit des notions et test statistiques vus en classe au cours dconomtrie du modle
linaire. Nous nous sommes ainsi confronts la pratique et ceci a permis de renforcer et
dapprofondir nos connaissances en matire de construction de modle conomtrique fiable et
valable en particulier les modles linaires. Sil est vrai que nous navions pas abord les
problmes de stationnarit dans ce TP, nous en aurons loccasion de le faire beaucoup plus en
dtail avec le cours de Srie Temporelles. La validit relle de ce modle est donc sous rserve
de vrification de la stationnarit et de la co-intgration des exognes au cas o certaines
variables seront intgres dordre 1.