Vous êtes sur la page 1sur 48

Econométrique I et II

Université de Cheik Anta Diop de Dakar

1 : Page
Faculté des sciences économiques et de gestion (FASEG)

Centre de recherche et de formation pour le développement


Economique et social (CREFDES)

Projet à rendre Econométrie I & II


Professeur F.B. Doucouré

Master II en Méthodes Statistiques et Econométriques (MSE)


2016-2017

Réalisé par :
 Abdi-Basid IBRAHIM
Abdi-Basid ADAN ADAN

 Hawa DIENG

Adresse : 45753 Dakar-Fann, Km1 Avenue Cheikh Anta Diop,


Dakar 45753 Téléphone : 33 864 55 28

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

Tables des Matières

Liste des tableaux………………………………………………………..…………………………………………………………………………………….…………………..3


Liste des graphiques………………………………………………………..……………………………………………………….............................................................3
Liste des sigles et abréviations ………………………………………………………………..…………………………………..…………………………………...4

2 : Page
Exercice 1……………………………………………………………..…………………………………..……………………………………………………………………………...5
Exercice 2………………………………………………………..…………………………………..…………………………………………………………………………..…... 13
Exercice 3……………..…………………………..…………………………………..……………………………………………………………………………..……………… 15
Exercice 4…………………………………………..…………………………………..……………………………………………………………………………..………/…..… 17
Exercice 5………………………………………..…………………………………..……………………………………………..………………………………..……………… 41
Exercice 6………………………………………………………..…………………………………..……………………………………………………………………………..… 46

Annexe………………………………………………………..…………………..……………………………………………………………………………..……………………… 47

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

Listes des tabLeaux et sigLes d’abréviations

⟹ Liste des tableaux


Tableau 1 : Moyenne mobile d’ordre 5 de la série de l’investissement
Tableau 2 : Valeur du filtre de Hodrick-Prescott
Tableau 3 : Critères de prévisions e Holt-Winters
Tableau 4 : Critères de prévisions de de lissage exponentiel
Tableau 5 : Valeurs prédites à l’horizon 3 ans
Tableau 6 : Type de saisonnalité par Buys-Ballot
Tableau 7 : Estimations mls par Moindres carrés Ordinaires

3 : Page
Tableau 8 : Estimations mce par Moindres carrés Ordinaires
Tableau 9 : Estimations mls par Moindres carrés Ordinaires
Tableau 10: Estimation du modèle LOGIT
Tableau 11: Estimation du modèle LOGIT

⟹ Liste des figures

Figure 1 : Evolutions de l’investissement d’un pays africain de 1992


Figure 2 : Evolutions au cours des années des lissages par moyenne mobile d’ordre 5
et médiane mobile d’ordre 5.
Figure 3 : L’ajustement par la droite de régression de moindres
Figure 4 : Filtre de Hodrick-Prescott de l’investissement
Figure 5 : Prévision par lissage exponentielle double
Figure 6 : Prévision par Holt-Winters Non saisonnier
Figure 7 : Evolutions de taux de croissance d’un pays africain de 2000 à 2016
Figure 8 : Prévision de taux de croissance d’un pays africain à l’horizon 3 ans
Figure 8 : Prévision de taux de croissance d’un pays africain à l’horizon 3 ans
Figure 9 : Prévision des ventes de l’entreprise de l’entreprise à l’horizon 2 ans (8
trimestres)
Figure 10 : Prévision de taux de croissance d’un pays africain à l’horizon 3 ans
Figure 11: Représentation du graphique de Cusum

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

Figure 12: Représentation du graphique de Cusum Carré


Figure 13: Simulation du modèle
Figure 14: Prévision à l’horizon 2019
Figure 15 : Graphique de Simulation de l’Importation
Figure 16 : Graphique de Prévision de l’Importation
Figure 17 : Graphique de Prévision de l’Importation
Figure 18 : Graphique de Prévision de l’Importation
Figure 19 : Boîte à moustache de l’Importation
Figure 20 : Densité de PIB
Figure 21 : Graphique de répartitions de quantiles de l’importation

4 : Page
Figure 22 : Prévisions de l’investissement

⟹ Liste des sigles et abréviations


x-square : Khi Deux calculé
df : degree of fredom (degré de liberté)
P-value : probabilité critique ou seuil nominale
One sample test: test hypothèse simple
Rank : Rang des valeurs ou position
Inf : infinie
confidence interval : Intervalle de confiance

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

Exercice 1 :

Partie 1 : Détermination de la Tendance




1) Visualisons la variation de l’investissement au cours du temps :

5 : Page
 Pour ce faire, on programme comme suit sous le logiciel R
R> plot(inv, type = ‘l’, xlab = ‘Année’,col=2,
ylab= ‘Investissement en Milliards de franc CFA’, lwd=2,pch=20,
main="")

On obtient :
Figure 1 : Evolutions de l’investissement d’un pays africain de 1992
à 2015

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

 Interprétation :

On observe dans la série investissement une tendance croissante (haussier) au cours


des années. D’autre part, cette variation illustre une chute libre de l’investissement en
1996. Il est comme difficile d’envisager cette observation comme point aberrante. En
effet, l’estimation de la tendance est obtenue par plusieurs méthodes, nous allons en
découvrir dans les réponses suivantes.

2.a) Il s’agit de déterminer la tendance de la série investissement par le procéder


de la moyenne mobile d’ordre 5 (avec p = 5, la périodicité des variations saisonnières) :

6 : Page
 p = 4, si la série est trimestrielle
 p = 12, si la série est mensuelle
 p = 3 ou 5, si la série est annuelle

Soit Yt la variable investissement, la moyenne mobile impaire s’obtient par la formule


p = 2k+1 avec k = 2

𝑌1 + 𝑌2 + 𝑌3 + 𝑌4 + 𝑌5 𝑌3 + 𝑌4 + 𝑌5 + 𝑌6 + 𝑌7
𝑚𝑚5 = ; ;…
5 5

Remarque :

1) Les moyennes mobiles peuvent être influencées par des valeurs aberrantes.
2) C’est fort regrettable, la nouvelle série est forcément plus courte que l’initiale (on perd p – 4
valeurs).

Tableau 1 : Moyenne mobile d’ordre 5 de la série de l’investissement

Années 1992 1993 1994 1995 1996 1997 1998 1999


Moyenne Mobile 5 NA NA 2474,2 2529,4 2541,4 2579,8 2627,8 3271
Médiane Mobile 5 NA NA 3000 3043 3103 3117 3173 3192

Années 2000 2001 2002 2003 2004 2005 2006 2007


Moyenne Mobile 5 3377,8 3541,2 3726 3923,8 4135,6 4322 4477 4602,6
Médiane Mobile 5 3357 3530 3707 3920 4116 4346 4589 4639

Années 2008 2009 2010 2011 2012 2013 2014 2015


Moyenne Mobile 5 4687,4 4726,4 4756,4 4777,4 4791,2 4804,8 NA NA
Médiane Mobile 5 4695 4744 4770 4784 4789 4800 NA NA
Source : R, 2017
Master 2 En Méthodes Statistiques Et Econométriques
Econométrique I et II

 Interprétation :

Vue la perturbation de la série en 1996, caractérisée par une chute libre de


l’investissement, nous allons penser à réaliser, un lissage robuste : celle par la
médiane mobile d’ordre 5 afin de combler l’influence de la moyenne mobile par les
valeurs extrêmes.

Figure 2 : Evolutions au cours des années des lissages par moyenne


mobile d’ordre 5 et médiane mobile d’ordre 5.

7 : Page

 Interprétation :

L’estimation de la tendance par le lissage de la moyenne mobile d’ordre 5 et celui de


la médiane mobile sont presque similaire. On obtient dans le deux cas, une tendance
croissante.

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

2.b) Etudions la détermination de la tendance de la même série par la méthode de la


régression linéaire.

 Pour ce faire, on programme comme suit sous le logiciel R

R> plot(inv~anne,e1,type="p", col=2,main="inv= 121.8296*année -


240240.7006")
R> abline(model,lwd=1,col=2)

Figure 3 : L’ajustement par la droite de régression de moindres

8 : Page
carrées

Source : R, 2017

 Interprétation :

La droite de régression nous montre une tendance croissance de la série


investissement au cours du temps. L’ajustement par la droite de moindre carré est
donné par l’équation : 𝑖𝑛𝑣𝑡 = 121.8296 × 𝑎𝑛𝑛é𝑒𝑡 − 240240.7006

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

2.c) Analysons la tendance de la série investissement par la méthode du filtre de


Hodrick-Prescott :

 Pour ce faire, on programme comme suit sous le logiciel R

R> hp <- hpfilter(e1[,2],freq=1)$cycle


R> hp=as.data.frame(hp)
R> plot(e1[,c(1,6)], type = "l", xlab = "Année", col=2,fg=4,
ylab= "Hodrick Prescott ",bg="yellow")

Tableau 2 : Valeur du filtre de Hodrick-Prescott

9 : Page
Hodrick Prescott Filter of variable

-128.7731372 73.4543643 215.4550030 701.5475518 -1708.4042192 705.9159080


200.2283708 3.3376985 -27.1799505 -22.0861162 -20.9623881 -5.3042396
-20.6447560 -3.2127828 59.4075902 -2.1549437 -11.6792816 -2.7893770
-0.4299018 0.2438493 -3.4935166 -2.6112420 -3.5850523 3.7205687

Source R, 2017

Figure 4 : Filtre de Hodrick-Prescott de l’investissement

Source R, 2017

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

 Interprétation :

On observant les valeurs du filtre d’Hodrick-Prescott dans le tableau et sur le


graphique, on peut noter qu’on a un filtre constant au cours du temps. Alors, on déduit
que la variable d’investissement admet aussi une tendance constante.

Partie 2 : Prévision par une Méthode de Lissage Exponentiel

3) a) Réalisons une prévision sur 4 ans de l’investissement par la méthode de


lissage exponentiel double :

10 : Page
 Pour ce faire, on programme comme suit sous le logiciel R

R> hp <- hpfilter(e1[,2],freq=1)$cycle


R> hp=as.data.frame(hp)
R> plot(e1[,c(1,6)], type = "l", xlab = "Année", col=2,fg=4,
ylab= "Hodrick Prescott ",bg="yellow")

Figure 5 : Prévision par lissage exponentielle double

Source R, 2017
Master 2 En Méthodes Statistiques Et Econométriques
Econométrique I et II

3) b) Réalisons une prévision sur 4 ans de l’investissement par la méthode de Holt-


Winters non saisonnière

Figure 6 : Prévision par Holt-Winters Non saisonnier

11 : Page
Source R, 2017

4) Il est clair que la méthode prévisionnelle de Holt-Winters est une version


amélioré de lissage exponentiel double. Sans doute les critères de
performances prévisionnelles vont dans le même sens, c’est-à-dire :

Tableau 3 : Critères de prévisions e Holt-Winters

ME RMSE MAE MPE MAPE MASE ACF1


Training set 184.7002 694.009 411.5566 -27.98008 44.26719 1.21778 -0.174871
Source R, 2017

Tableau 4 : Critères de prévisions de de lissage exponentiel

ME RMSE MAE MPE MAPE MASE ACF1


Training set 189.7848 708.9672 426.7488 -29.3269 46.13935 1.262733 -0.17464
Source R, 2017

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

 Interprétation
Un certain nombre des mesures d'erreur intra-échantillon ont été décrites par
Hyndman (2008). Ces mesures sont basées sur l'erreur de prévision à un horizon dans
l'échantillon. Ainsi, nous avons les mesures suivantes exprimés dans les unités de la
variable consodérée:

1
 𝑀𝐸 = ∑𝑛𝑡=1 𝑒𝑡 :Mean Eroor
𝑛

1 2
 𝑅𝑀𝑆𝐸 = √𝑛 ∑𝑛𝑡=1 𝑒𝑡 :Root Mean Square Error (la racine carré de l'erreur

moyenne, MSE).
1
 𝑀𝐴𝐸 = ∑𝑛𝑡=1 |𝑒𝑡|

12 : Page
:Mean Absolure Error
𝑛

Les autres mesures sont données en pourcentages si nous notons l'erreur en


1000×𝑒𝑡
pourcentage 𝑝𝑡 = , alors les autres mesures proposés s'écrivent:
𝑦𝑡

1
 MPE= 𝑛 ∑𝑛𝑡=1 𝑝𝑡 : Mean Percentage Error
1
 MAPE= 𝑛 ∑𝑛𝑡=1 |𝑝𝑡 | :Mean Absolute Percentage Error

Les tableaux ci-dessus illustres les différentes qualités d’une méthode prévisionnelle
notamment : l’erreur moyenne, La racine de l’erreur quadratique moyenne ;
Pourcentage de l’erreur moyenne ; erreur quadratique moyenne absolue et
l’autocorrélation partiel :

En ces termes, seule la méthode prévisionnelle dont l’erreur moyenne commis est
faible sera la plus importante à considérer pour la prévision.

En effet, dans notre exemple, on campant les informations de l’erreur quadratique


moyenne, on retient alors la prévision par Holt-Winters, car celle-ci minimise l’erreur
commis dans la prévision.

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

Exercice 2 :

1) On représente par graphique linéaire le comportement de taux de croissance de la


période 2000 à 2016 :

 Pour ce faire, on programme comme suit sous le logiciel R

R> plot(PIB, type = ‘l’, xlab = ‘Année’,col=2,


ylab= ‘Taux de Croissance du PIB (%), lwd=2,pch=20, main="")

13 : Page
On obtient :

Figure 7 : Evolutions de taux de croissance d’un pays africain de


2000 à 2016

Source R, 2017

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

2) Vue raison de composante tendancielle dans la variation du taux de croissance


PIB, il serait envisageable de faire appel parmi les méthodes prévisionnelles, le
lissage exponentielle simple :

 Pour ce faire, on programme comme suit sous le logiciel R


R> plot(aaa,xlab="temps",ylab="Taux de croissance du PIB(%)",
main=expression(paste("Prediction ",plain(g),"à l'horizon 3 ans")))

On obtient :
Figure 8 : Prévision de taux de croissance d’un pays africain à
l’horizon 3 ans

14 : Page
Source R, 2017

Tableau 5 : Valeurs prédites à l’horizon 3 ans

Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
2017 5.406541 4.527427 6.285656 4.062051 6.751031
2018 5.406541 4.527427 6.285656 4.062051 6.751031
2019 5.406541 4.527427 6.285656 4.062051 6.751031

Source R, 2017

 Interprétation

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

Les valeurs de la prévision par le lissage exponentiel simple à l‘horizon trois ans sont
données dans le tableau ci-dessus. Les valeurs sont presque constantes (5.406) pour
les trois prochaines années et appartiennent aux intervalles de confiances

  

Exercice 3 :

15 : Page
1) On représente par un graphique linéaire le comportement des ventes d’une
entreprise du premier trimestre de 20123 au quatrième trimestre de 2016 :

 Pour ce faire, on programme comme suit sous le logiciel R

R> plot(PIB, type = ‘l’, xlab = ‘Année’,col=2,


ylab= ‘Taux de Croissance du PIB (%), lwd=2,pch=20, main="")

On obtient :
Figure 9 : Prévision de taux de croissance d’un pays africain à
l’horizon 3 ans

Source R, 2017

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

2) Il s’agit de prouver la présence d’une saisonnalité multiplicative à l’aide de la


méthode Buys-Ballot :
Tableau 6 : Type de saisonnalité par Buys-Ballot

Residuals: X Y Z A
9.0534 2.5406 -0.7792 -10.8148

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -12.07737 19.56599 -0.617 0.600
x 0.27481 0.09746 2.820 0.106

Residual standard error: 10.15 on 2 degrees of freedom


Multiple R-squared: 0.799, Adjusted R-squared: 0.6985
F-statistic: 7.951 on 1 and 2 DF, p-value: 0.1061
Source R, 2017

16 : Page
 Interprétation

Les estimations des paramètres de la régression des écarts types de chaque trimestre
par la moyenne de ces derniers montrent un coefficient directeur (pente) assez loin de
la valeur 0 : nous sommes en face d’une série avec une saisonnalité multiplicative.

On peut aussi voir graphiquement la liaison des amplitudes de la variation de la série


qui forme un quasi deux droite seconde, d’où une indication de la présence d’une
composante saisonnière multiplicative.

3) Une fois déterminée le type de la décomposition de la série, il ne reste qu’à réaliser


la prévision à l’horizon demandé (ici 8 trimestres)

Figure 9 : Prévision des ventes de l’entreprise de l’entreprise


à l’horizon 2 ans (8 trimestres)

Source R, 2017

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

Exercice 4:

Partie 1 : Modèle Linéaire Simple :


  

1) On étudie le modèle (log-log) de type linéaire simple ci-après :

log(𝑖𝑚𝑝𝑡 ) = 𝑎 + 𝑏 × log(𝑝𝑖𝑏𝑡 ) + 𝜀𝑡 , avec t {variant de 1990 à 2017}.

L’introduction du terme d’erreur 𝜀𝑡 est dû en générale à plusieurs facteurs parmi

17 : Page
lesquels :

 L’erreur de spécification : en effet, les variables explicatives retenus dans le


modèle ne suffissent pas de tenir compte la totalité du phénomène que l’on
désire expliquer.
 L’erreur de mesure : en réalité dans les bases de données (ou échantillons),
les informations ne représente pas exactement à 100% le phénomène.
 Enfin, l’erreur de fluctuation d’échantillonnage varie en fonction des
techniques de sondages qui influence sans cesse les estimations déduites.

En un mot, l’ajout de terme d’erreur (ou perturbation stochastique) prend en compte


la part non expliquée par le modèle, car il est souvent très délicat d’observer la
totalité d’un phénomène.

 Pour ce faire, on programme comme suit sous le logiciel R

R> plot(PIB, type = ‘l’, xlab = ‘Année’,col=2,


ylab= ‘Taux de Croissance du PIB (%), lwd=2,pch=20, main="")

On obtient :

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

Figure 10 : Prévision de taux de croissance d’un pays africain à


l’horizon 3 ans

18 : Page
Source R, 2017

2) Testons la normalité et la lognormalité de la distribution des variables PIB et


Importation. A vrai dire, il suffirait que le logarithme d’une variable suit une loi de
Gauss pour affirmer que sa répartition suit une loi de lognormale :

d’un phénomène.

 Pour ce faire, on programme comme suit sous le logiciel R


R> jarque.bera.test(log(PIB)) ; jarque.bera.test(PIB)
R> jarque.bera.test(log(d$IMP)) ; jarque.bera.test(IMP)

jarque.bera.test(e4$PIB)
On obtient :
jarque.bera.test(d$IMP)
a- Tests de Loi Normale

Jarque Bera Test


data: PIB
X-squared = 18.5082, df = 2, p-value = 9.572e-05
Source R, 2017

Jarque Bera Test


data: IMP
X-squared = 2.8212, df = 2, p-value = 0.244

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

 Interprétation

Ici, il s’agit de tester l’hypothèse de normalité des variables PIB et Importation. En


terme plus simple :

𝐻𝑂 : La variable suit une loi de Gauss Laplace (N(𝑚, 𝜎))

Contre

𝐻1 : La variable ne suit pas une loi de Gauss Laplace (N(𝑚, 𝜎))

En examinant, les probabilités critiques associées aux deux tests de Jarque-Bera

19 : Page
réalisés pour la variable PIB et Importation, on peut affirmer :

 Pour la variable PIB : le seuil nominale (p-value = 9.572e-05) est largement


inférieur aux seuils conventionnels (1%, 5% et 10%). Nous allons rejeter
l’hypothèse nulle de normalité de la variable Pib.

 Pour la variable Importation : le seuil nominale (p-value = 0.244) est


considérablement supérieur aux seuils conventionnels (1%, 5% et 10%). Nous
n’allons pas rejeter l’hypothèse nulle de normalité de la variable Importation.

En résumé, au seuil de risque 1%, on peut affirmer que la distribution de la variable


Importation suit une loi normale contrairement à la distribution de pib.

b- Tests de Le lognormale

Jarque Bera Test


data: log(PIB)
X-squared = 3.9146, df = 2, p-value = 0.1412
Source R, 2017

Jarque Bera Test


data: log(d$IMP)
X-squared = 2.7584, df = 2, p-value = 0.2518
Source R, 2017

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

En observant, les probabilités critiques associées aux deux tests de Jarque-Bera


réalisés pour la variable PIB et Importation, on peut affirmer :

 Pour la variable PIB : le seuil nominale (p-value = 0.1412) est largement


supérieur aux seuils conventionnels (1%, 5% et 10%). Nous n’allons pas rejeter
l’hypothèse nulle de normalité de la variable Pib.

 Pour la variable Importation : le seuil nominale (p-value = 0.2518) est


considérablement supérieur aux seuils conventionnels (1%, 5% et 10%). Nous
n’allons pas rejeter l’hypothèse nulle de normalité de la variable Importation.

En résumé, au seuil de risque 1%, on peut affirmer que les distributions des variables

20 : Page
PIB et Importation sont conformes à celle de loi normale.

3) Pour pouvoir interpréter la pente (coefficient directeur), il suffit d’étudier la dérivée


partielle de l’importation par rapport au PIB par transformation exponentielle.

 Pour ce faire, on programme comme suit sous le logiciel R


R> reg=lm(log(IMP)~log(PIB),data=exo4)
R> summary(reg)

jarque.bera.test(e4$PIB)
On obtient :
jarque.bera.test(d$IMP)

Residuals:
Min 1Q Median 3Q Max
-0.12541 -0.04601 -0.00787 0.04579 0.15957

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.3805 0.5873 0.648 0.523
log(PIB) 0.7898 0.0848 9.314 1.93e-09 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.07317 on 24 degrees of freedom


(4 observations deleted due to missingness)
Multiple R-squared: 0.7833, Adjusted R-squared: 0.7743
F-statistic: 86.74 on 1 and 24 DF, p-value: 1.935e-09
Source R, 2017

On obtient alors une élasticité qui s’interprète comme la hausse 78.98% des
importations induite par une augmentation d’une unité (100%) de PIB.
Master 2 En Méthodes Statistiques Et Econométriques
Econométrique I et II

4) Le coefficient de détermination ou l’indicateur de la qualité de la régression


s’interprète comme la part de la variabilité expliquée par le modèle. Ici (R-squared
est équivaut au carré de coefficient de corrélation: 0.7833). Ainsi 78.33% des
variabilités de logarithme de l’importation sont expliqués par le logarithme du PIB.

5) a) Apres avoir estimé les paramètres du modèle par la méthode de Moindres


Carrés Ordinaires (MCO), il s’agit de tester l’hypothèse de non significativité de la
variable, autrement-dit :

𝐻𝑂 : Le coefficient associé à la variable PIB est nulle

Contre

21 : Page
𝐻1 : Le coefficient associé à la variable PIB est diffèrent de 0.

En examinant la valeur de la probabilité critique associée au test de Student ( 1.93e-


09), On voit qu’elle est inférieure aux seuils conventionnels (1%, 5% et 10%). Alors,
nous rejetons l’hypothèse nulle au seuil de risque de 5%. Nous pouvons affirmer que
le coefficient de la variable PIB est significativement diffèrent de 0, alors la variable
PIB est très significative (***).

5) b) Apres avoir estimé les paramètres du modèle par la méthode de Moindres


Carrés Ordinaires (MCO), il s’agit de tester l’hypothèse de non significativité de la
variable, autrement-dit :

𝐻𝑂 : Le modèle est mauvais

Contre

𝐻1 : Le mauvais est bon

En examinant la valeur de la probabilité critique associée au test de Fisher (p-value:


1.935e-09), On voit qu’elle est inférieur aux seuils conventionnels (1%, 5% et 10%).
Alors, nous rejetons l’hypothèse nulle au seuil de risque de 5%. Nous pouvons affirmer
que le modèle est globalement significatif et que la variable PIB a un effet significatif
sur l’importation.

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

5) c) Apres avoir estimé les paramètres du modèle par la méthode de Moindres


Carrés Ordinaires (MCO), en effet, il s’agit de tester l’hypothèse de normalité de
la variable, autrement-dit :

𝐻𝑂 : Les erreurs du modèle estimées suit une loi de Gauss Laplace (N(𝑚, 𝜎))

Contre

𝐻1 : Les erreurs du modèle estimées ne suit pas une loi de Gauss Laplace (N(𝑚, 𝜎))

Jarque Bera Test

22 : Page
data: residus
X-squared = 0.7652, df = 2, p-value = 0.6821

En examinant la valeur de la probabilité critique associée au test de normalité de


Jarque-Bera (p-value:0.6821), On voit qu’elle est supérieur aux seuils
conventionnels (1%, 5% et 10%). Alors, nous ne rejetons pas l’hypothèse nulle au
seuil de risque de 5%. Nous pouvons affirmer que les erreurs du modèle estimé
suivent une loi Normale.

5) d1) Apres avoir estimé les paramètres du modèle par la méthode de Moindres
Carrés Ordinaires (MCO), il s’agit de tester l’hypothèse d’homocédasticité des
erreurs, autrement-dit :

𝐻𝑂 : Les erreurs du modèle estimé sont homocédastiques

Contre

𝐻1 : Les erreurs du modèle estimé sont hétérocédastiques

F-statistic 1.647248 Prob. F(1,24) 0.2116


Obs*R-squared 1.669905 Prob. Chi-Square(1) 0.1963
Scaled explained SS 1.110759 Prob. Chi-Square(1) 0.2919

Eviews, 2017

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

 Interprétation
En examinant les deux probabilités critiques (0.211 et 0.1.196) associées au test
d’hétérocedasticité des erreurs de White, On voit qu’elles sont supérieures aux seuils
conventionnels (1%, 5% et 10%). Alors, nous ne rejetons pas l’hypothèse nulle au
seuil de risque de 5%. Nous pouvons affirmer que les erreurs du modèle sont
homocédastiques.

5) d2) Apres avoir estimé les paramètres du modèle par la méthode de Moindres
Carrés Ordinaires (MCO), ici, on désire tester l’hypothèse d’autocorrélation des

23 : Page
erreurs, autrement-dit :

𝐻𝑂 : Les erreurs du modèle estimé sont conditionnellement homocédastiques

Contre

𝐻1 : Les erreurs du modèle estimé sont hétérocédastiques

F-statistic 0.221122 Prob. F(1,23) 0.6426


Obs*R-squared 0.238062 Prob. Chi-Square(1) 0.6256

Eviews, 2017

 Interprétation

En observant les deux probabilités critiques (0.6426 et 0.6256) associées au test de


d’hétérocédastiques conditionnelle de ARCH. On voit qu’elles sont supérieures aux
seuils conventionnels (1%, 5% et 10%). Alors, nous ne rejetons pas l’hypothèse nulle
au seuil de risque de 5%. Nous pouvons affirmer que les erreurs du modèle sont
conditionnellement homocédastiques.

5) e) Apres avoir estimé les paramètres du modèle par la méthode de Moindres


Carrés Ordinaires (MCO), il s’agit de tester l’hypothèse d’autocorrélation des
erreurs, autrement-dit :

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

𝐻𝑂 : Les erreurs du modèle estimé ne sont pas autocorrélés

Contre

𝐻1 : Les erreurs du modèle estimé sont autocorrélées

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 4.367948 Prob. F(1,23) 0.0479


Obs*R-squared 4.149622 Prob. Chi-Square(1) 0.0416

Source Eviews, 2017

24 : Page
Interprétation

En observant les deux probabilités critiques (0.0479 et 0.0416) associées au test de


corrélation des erreurs de Breush Godfrey. On voit qu’elles sont inférieures au seuil
de 5%. Alors, nous rejetons l’hypothèse nulle au seuil de risque de 5%. Nous pouvons
affirmer que les erreurs du modèle estimé sont autocorrélées.

5) f) Apres avoir estimé les paramètres du modèle par la méthode de Moindres Carrés
Ordinaires (MCO), il s’agit de tester l’hypothèse de spécification du modèle,
autrement-dit :

𝐻𝑂 : Le modèle est bien spécifié

Contre

𝐻1 : Le modèle est mal spécifié

Ramsey RESET Test


Specification: LOG(IMP) C LOG(PIB)
Omitted Variables: Powers of fitted values from 2 to 3

Value df Probability
F-statistic 8.235213 (2, 22) 0.0021
Likelihood ratio 14.53003 2 0.0007

Source Eviews, 2017


Master 2 En Méthodes Statistiques Et Econométriques
Econométrique I et II

 Interprétation

En observant les deux probabilités critiques (0.002 et 0.0) associées au test Ramsey.
On voit qu’elles sont inférieures au seuil de 5%. Alors, nous rejetons l’hypothèse nulle
au seuil de risque de 5%. Nous pouvons affirmer que le modèle est mal spécifié en
raison de l’absence des variables explicatives pertinentes.

5) g) Apres avoir estimé les paramètres du modèle par la méthode de Moindres


Carrés Ordinaires (MCO), il s’agit de tester l’hypothèse de la stabilité du modèle,

25 : Page
autrement-dit :

𝐻𝑂 : Le modèle est stable

Contre

𝐻1 : Le modèle est instable

Chow Breakpoint Test: 2002


Null Hypothesis: No breaks at specified breakpoints
Varying regressors: All equation variables
Equation Sample: 1990 2015

F-statistic 8.469341 Prob. F(2,22) 0.0019


Log likelihood ratio 14.84459 Prob. Chi-Square(2) 0.0006
Wald Statistic 16.93868 Prob. Chi-Square(2) 0.0002

Source Eviews, 2017

 Interprétation

En observant les deux probabilités critiques (0.0019 et 0.0) associées au test de Chow
Breakpoint. On voit qu’elles sont inférieures au seuil de 5%. Alors, nous rejetons
l’hypothèse nulle au seuil de risque de 5%. Nous pouvons affirmer que le modèle est
instable pour l’année de rupture en occurrence 2002. Pour corriger cette instabilité, il
suffirait d’introduire dans le modèle une variable binaire. Il s’agit d’une année (2002)
de perturbation dû vraisemblablement à l’économie, à la politique, une crise,…etc.

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

5) g1) Apres avoir estimé les paramètres du modèle par la méthode de Moindres
Carrés Ordinaires (MCO), il s’agit de tester l’hypothèse de la stabilité du modèle
avec le test de Cusum. Ainsi, il s’agit d’une analyse graphique :

Figure 11: Représentation du graphique de Cusum

G)
15

10

26 : Page
-5

-10

-15
92 94 96 98 00 02 04 06 08 10 12 14

CUSUM 5% Signific ance

Source Eviews, 2017

 Interprétation

La fonction (Courbe) de Cusum est entre les seuils de significativité [-5, 5] (appelé
aussi la bande de confiance). Dans ce cas, on peut affirmer au seuil de 5% que le
modèle est structurellement stable.

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

5) g2) Apres avoir estimé les paramètres du modèle par la méthode de Moindres
Carrés Ordinaires (MCO), il s’agit de tester l’hypothèse de la stabilité du modèle
avec le test de Cusum Carré. Ainsi, il s’agit d’une analyse graphique :

Figure 12: Représentation du graphique de Cusum Carré

1.4

1.2

1.0

0.8

0.6

27 : Page
0.4

0.2

0.0

-0.2

-0.4
92 94 96 98 00 02 04 06 08 10 12 14

CUSUM of Squares 5% Significance

Source Eviews, 2017

 Interprétation

La fonction (Courbe) de Cusum Carré détermine les périodes ponctuellement stables.


On voit sur le graphique que l’année 2002 est quasi Stable, car la courbe se trouve
hors de la bande de confiance entre les seuils de significativité [-5, 5]. Elle peut êtr dû
à des contextes des perturbations ou d’instabilités . Dans ce cas, on peut affirmer
au seuil de 5% que le modèle est ponctuellement stable.

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

6) Apres avoir estimé les paramètres du modèle par la méthode de Moindres Carrés
Ordinaires (MCO), il s’agit maintenant de simuler le modèle :

Figure 13 : Simulation du modèle

6.1

6.0

5.9

5.8

.2 5.7

28 : Page
5.6
.1

.0

-.1

-.2
90 92 94 96 98 00 02 04 06 08 10 12 14

Residual Actual Fitted

Source Eviews, 2017

 Interprétation
Le courbe colorée en Vert représente la série ajustées (estimé ou prédite : Fitted) et
celle coloré en rouge la série observée (mesurée ou échantillonnée). Visiblement,
l’erreur (Residual courbe en bleu) commise est faible, elle est quantifiable à l’aide de
critère de prévision. En résumé, le modèle à des chances d’avoir un bon prédictif, car
il reproduit fidèlement le passé.

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

7) Apres avoir estimé les paramètres du modèle par la méthode de Moindres Carrés
Ordinaires (MCO), on peut prévoir la série à l’horizon 2019 :

Figure 14: Prévision à l’horizon 2019


800
Forecast: IMPF
Actual: IMP
700
Forecast sample: 1990 2019
Included observations: 26
600 Root Mean Squared Error 24.11074
Mean Absolute Error 18.87924
500 Mean Abs. Percent Error 5.560748
Theil Inequality Coefficient 0.034053
400
Bias Proportion 0.001371
Variance Proportion 0.076038
Covariance Proportion 0.922591
300

29 : Page
200
90 92 94 96 98 00 02 04 06 08 10 12 14 16 18

IMPF ± 2 S.E.

Source Eviews, 2017

 Interprétation

L’erreur quadratique moyenne de la prévision est 24.11 avec 26 observations, le part


des biais introduit dans le modèle est faible (0.13%).

La valeur prédite de l’investissement (coloré en bleu) est comprise entre les seuils des
écarts types de l’erreur de la régression.

Partie 2 : Modèle Linéaire Autorégressif :


  
On considère cette fois-ci le modèle autorégressif ci-dessous :
log(𝑖𝑚𝑝𝑡 ) = b × log(𝑖𝑚𝑝𝑡−1 ) + 𝑎0 + 𝑎1 × log(𝑝𝑖𝑏𝑡 ) + 𝜀𝑡 , avec t {variant de 1990 à 2017}.

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

8) Estimons les paramètres du modèle précèdent par a méthode des moindres


carrées Ordinaires :

Tableau 7 : Estimations par Moindres carrés Ordinaires


Dependent Variable: LOG(IMP)
Method: Least Squares
Sample (adjusted): 1991 2015 : Included observations: 25 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C -0.236653 0.541433 -0.43709 0.6663
LOG(PIB) 0.535402 0.142154 3.766339 0.0011
LOG(IMP(-1)) 0.406980 0.157406 2.585544 0.0169
R-squared 0.852444 Mean dependent variable 5.853199
Adjusted R-squared 0.839030 S.D. dependent variable 0.155532
S.E. of regression 0.062401 Akaike info criterion -2.59831

30 : Page
Sum squared resid 0.085665 Schwarz criterion -2.45204
Log likelihood 35.47884 Hannan-Quinn criterion -2.55774
F-statistic 63.54807 Durbin-Watson statistic 2.234585
Prob(F-statistic) = 0.000000
Source Eviews, 2017

 Interprétation
Les paramètres estimés sont données dans la colonne coefficient :

𝑏̂ = 0.407; 𝑎̂1 = 0.54 𝑒𝑡 𝑎̂0 = −0.24

9) Apres avoir estimé les paramètres du modèle par la méthode de Moindres Carrés
Ordinaires (MCO), testons la significativité des paramètres : il s’agit de tester
l’hypothèse de nullité de paramètre estimé :

𝐻𝑂 : Le coefficient de 𝑏̂ est significativement égal à 0

Contre

𝐻1 : Le coefficient de 𝑏̂ est significativement diffèrent de 0

En considérant la probabilité critique (0.0169) associées au test de Student. On voit


qu’elle est inférieure au seuil de 5%. Alors, nous rejetons l’hypothèse nulle au seuil de

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

risque de 5%. Nous pouvons affirmer que le coefficient de 𝑏̂ est significativement


diffèrent de 0. En conséquence le modèle est bien autorégressif.

De même pour le coefficient 𝑎̂1 , la probabilité critique (0.011) associées au test de


Student est inférieure au seuil de 5%. Alors, nous rejetons l’hypothèse nulle au seuil
de risque de 5%. Nous pouvons affirmer que le coefficient 𝑎̂1 est significativement
diffèrent de 0.

10) Après avoir estimé les paramètres du modèle par la méthode de Moindres Carrés

31 : Page
Ordinaires (MCO), testons la significativité globale du modèle (Test de Fisher) : il
s’agit de tester l’hypothèse d’au moins un paramètre estimé est nul :

𝐻𝑂 : Au moins un paramètre estimé est nul

Contre

𝐻1 : Aucun des paramètres estimés ne sont nuls

En considérant la probabilité critique (0.000) associées au test de Fisher. On voit


qu’elle est inférieure aux seuils conventionnels de (1%, 5% et 10%). Alors, nous
rejetons l’hypothèse nulle au seuil de risque de 5%. Nous pouvons affirmer que le
modèle est globalement significatif. En d’autres termes, que les variables explicatives
ont un impact (ou effet) significatives sur la variable Importation.

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

11) Une fois testons les significativités des paramètres, on peut s’intéresser à leurs
interprétations en termes d’impact. Le modèle estimé est du type (log-log), une
transformation exponentielle est nécessaire pour obtenir des élasticités à différents
termes de yt par rapport aux xt :

 Elasticité de court terme

La hausse d’une unité de Pib induit à courte terme une augmentation de 53.54% de
l’importation. Toutes Choses égales par ailleurs (Ceteris Paribus).

32 : Page
 Elasticité de longs termes

0.5354
La hausse d’une unité de Pib induit à long terme une augmentation de (1−.4070 ≅

0.90287) soit 90.28% de l’importation. Toutes Choses égales par ailleurs (Ceteris
Paribus).

12) Le coefficient de détermination à considérer dans notre exemple est celui ajusté
car elle n’est pas biaisée (elle n’augmente pas avec le nombre des variables à
introduire). Ce dernier prend la valeur (0.839) soit 83.9%. On pourra dire que près
de 83.9% des fluctuations du log l’importation.

13) Après avoir estimé les paramètres du modèle par la méthode de Moindres Carrés
Ordinaires (MCO), On pourrait examiner graphiquement la simulation du modèle :

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

Figure 15 : Graphique de Simulation de l’Importation


6.2

6.1

6.0

5.9
.15
5.8
.10
5.7
.05 5.6

.00

33 : Page
-.05

-.10
92 94 96 98 00 02 04 06 08 10 12 14

Residual Actual Fitted

Source Eviews, 2017

 Interprétation
La courbe colorée en Vert représente la série ajustées (estimé ou prédite : Fitted) et
celle coloré en rouge la série observée (mesurée ou échantillonnée). Visiblement,
l’erreur (Residual courbe en bleu) commise est faible, elle est quantifiable à l’aide de
critère de prévision. En résumé, le modèle à des chances d’avoir un bon prédictif, car
il reproduit fidèlement le passé.

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

14) La prévision de l’importation avec le modèle autorégressif :

Figure 16 : Graphique de Prévision de l’Importation


800
Forecast: IMPF
Actual: IMP
700
Forecast sample: 1990 2019
Adjusted sample: 1991 2019
600 Included observations: 25
Root Mean Squared Error 21.46199
500 Mean Absolute Error 16.64198
Mean Abs. Percent Error 4.820483
400
Theil Inequality Coefficient 0.030169
Bias Proportion 0.002182
Variance Proportion 0.060781
300
Covariance Proportion 0.937037

34 : Page
200
92 94 96 98 00 02 04 06 08 10 12 14 16 18

IMPF ± 2 S.E.

Source Eviews, 2017

 Interprétation

L’erreur quadratique moyenne de la prévision est 21.46 avec 25 observations, le part


des biais introduit dans le modèle est faible (0.213%).

La valeur prédite de l’investissement (coloré en bleu) est comprise entre les seuils des
écarts types de l’erreur de la régression.

15) On peut s’en servir le critère de l’erreur quadratique moyenne pour comparer les
performances prévisionnelles de ces deux méthodes : RMSE : Root Mean Square
Error : Erreur Quadratique Moyenne.

 RMSE du modèle linéaire simple : 24.11


 RMSE du modèle autorégressif : 21.46

Le modèle autorégressif est plutôt meilleur que celle du modèle linéaire simple, car
celui-ci donne la plus faible RMSE.

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

Partie 2 : Modèle à Correction d’Erreur :


  
On considère cette fois-ci le modèle à correction d’erreur :

16) Examinons le degré d’intégration de chaque variable du modèle :

a- Etude de la stationnarité de la variable importation


Null Hypothesis: D(LOG(IMP)) has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=5)

t-Statistic Prob.*

35 : Page
Augmented Dickey-Fuller test statistic -6.675728 0.0001
Test critical values: 1% level -4.394309
5% level -3.612199
10% level -3.243079

Source Eviews 2017

Le test de Dickey-Fuller augmenté vérifie l’hypothèse nulle du non stationnarité de la


variable :
𝐻𝑂 : La série log(importation) a une racine unitaire (elle est non stationnaire)

Contre

𝐻1 : La série log(importation) n’a pas de racine unitaire (elle est convergente)

 Interprétation
En considérant la probabilité critique (0.000) associées au test de Dickey-Fuller
Augmenté. On voit qu’elle est inférieure aux seuils conventionnels de (1%, 5% et 10%).
Alors, nous rejetons l’hypothèse nulle au seuil de risque de 5% au détriment de
l’hypothèse alternative. Nous pouvons affirmer que la variable importation est
stationnaire en différence première 1, elle suit donc un processus d’ordre un : I (1).

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

b- Etude de la stationnarité de la variable PIB :


Null Hypothesis: D(LOG(PIB)) has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=7)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -6.595537 0.0000


Test critical values: 1% level -4.323979
5% level -3.580623
10% level -3.225334

Source Eviews, 2017

36 : Page
 Interprétation

Le test de Dickey-Fuller augmenté vérifie l’hypothèse nulle du non stationnarité de la


variable :
𝐻𝑂 : La série log(PIB) a une racine unitaire (elle est non stationnaire)

Contre

𝐻1 : La série log(PIB) n’a pas de racine unitaire (elle est convergente)

En considérant la probabilité critique (0.000) associées au test de Dickey-Fuller


Augmenté. On voit qu’elle est inférieure aux seuils conventionnels de (1%, 5% et 10%).
Alors, nous rejetons l’hypothèse nulle au seuil de risque de 5% au détriment de
l’hypothèse alternative. Nous pouvons affirmer que la variable PIB est stationnaire en
différence première 1, elle suit donc un processus d’ordre un : I (1).

17) Etudions cette fois la cointegration des variables avec le test de Rang de
cointegration :

Le test vérifie l’hypothèse de cointégration des variables :


𝐻𝑂 : Les variables ne sont pas cointégrées

Contre

𝐻𝑂 : Les variables sont cointégrées


Master 2 En Méthodes Statistiques Et Econométriques
Econométrique I et II

Included observations: 24 after adjustments


Trend assumption: No deterministic trend
Series: LOG(IMP) LOG(PIB)
Warning: Critical values assume no exogenous series
Lags interval (in first differences): 1 to 1

Unrestricted Cointegration Rank Test (Trace)

Hypothesized Trace 0.05


No. of CE(s) Eigenvalue Statistic Critical Value Prob.**

None * 1.000000 872.3796 12.32090 0.0001


At most 1 * 0.263241 7.331883 4.129906 0.0080

Trace test indicates 2 cointegrating eqn(s) at the 0.05 level

37 : Page
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values

 Interprétation
On testons l’indications des valeurs de la trace, on voit qu’elles sont supérieurs à
celle de critiqua value ce qui donne un rang 2.

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

18) Après avoir vérifié le test de cointegration des variables avec le test de Rang, il
est possible de proposer une estimation par la méthode de Moindres Carrés
Ordinaires ( en une étape: méthod’Henry):

𝐷(log(𝑖𝑚𝑝𝑡 ) = 𝑎0 + 𝑎1 𝐷(log(𝑃𝐼𝐵𝑡 ) + 𝑎2 𝐷(log(𝑃𝐼𝐵𝑡−1 ) + 𝑎3 𝐷(log(𝑖𝑚𝑝𝑡−1 ) + 𝜀𝑡

Tableau 8 : Estimations mce par Moindres carrés Ordinaires

Dependent Variable: D(LOG(IMP))


Method: Least Squares
Date: 10/25/17 Time: 20:31
Sample (adjusted): 1991 2015
Variable Coefficient Std. Error t-Statistic Prob.
C -0.234344 0.557478 -0.420363 0.6785

38 : Page
D(LOG(PIB)) 0.543510 0.258300 2.104186 0.0476
LOG(IMP(-1)) -0.590084 0.178675 -3.302562 0.0034
LOG(PIB(-1)) 0.532560 0.163601 3.255235 0.0038
R-squared 0.412067 Mean dependent var 0.013697
Adjusted R-squared 0.328077 S.D. dependent var 0.077914
S.E. of regression 0.063867 Akaike info criterion -2.518376

Sum squared resid 0.085659 Schwarz criterion -2.323356


Log likelihood 35.47970 Hannan-Quinn criter. -2.464286
F-statistic 4.906119 Durbin-Watson stat 2.242455
Prob(F-statistic) = 0.009739
Source Eviews, 2017

18) b) Le modèle à correction d’erreur n’est valable que si deux conditions sont
réunies :

 Le coefficient de force de rappel doit être négative

 Le coefficient de force de rappel à l’équilibre doit être significativement


diffèrent de 0

Dans notre exemple, les deux conditions ci-dessous sont réunis, alors le modèle à
correction d’erreur (modèle d’Henry) est valable.

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

18) c) Le coefficient 𝑎̂3 (-0.590084) représente e coefficient de correction d’erreur et


indique a vitesse d’ajustement de la variable endogène (importation) pour retrouver
à l’équilibre de long terme suite à une choc.

En réalité, on arrive à ajuster 59% du déséquilibre entre le niveau désiré et l’effectif


du PIB autrement-dit 59% des effets de choc intervenue en une année donnée est
résorbé dans l’année qui suit tout choc. Ainsi les autres termes, un choc sur
l’importation se corrige à 59% par feed back. En d’autre terme, un choc constaté au
1
cours d’une année est entièrement résorbé au bout d’un an ( ≅ 169).
0.59

39 : Page
18) e) Soit le modèle à correction d’erreur d’Henry:

𝐷(log(𝑖𝑚𝑝𝑡 ) = 𝑎0 + 𝑎1 𝐷(log(𝑃𝐼𝐵𝑡 ) + 𝑎2 𝐷(log(𝑃𝐼𝐵𝑡−1 ) + 𝑎3 𝐷(log(𝑖𝑚𝑝𝑡−1 ) + 𝜀𝑡

Les coefficients 𝑎̂1 et 𝑎̂2 représente les élasticités de court terme de l’importation par
rapport aux PIB et au PIB antérieur.

 Elasticité de court terme

La hausse d’une unité (100%) de Pib induit à courte terme une augmentation de
54.35% de l’importation. Toutes Choses égales par ailleurs (Ceteris Paribus).

 Elasticité de longs termes

La hausse d’une unité (10%) de Pib induit à long terme une augmentation de
0.5435
(1−.590084 ≅ 1.326) soit 13.28% de l’importation. Toutes Choses égales par ailleurs

(Ceteris Paribus).

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

18) f) La prévision de l’importation pour l’horizon 2019:

Figure 17 : Graphique de Prévision de l’Importation


800
Forecast: IMPF
Actual: IMP
700
Forecast sample: 1990 2019
Adjusted sample: 1991 2019
600 Included observations: 25
Root Mean Squared Error 21.46162
500 Mean Absolute Error 16.60239
Mean Abs. Percent Error 4.807459
400
Theil Inequality Coefficient 0.030169
Bias Proportion 0.002211
Variance Proportion 0.061299
300
Covariance Proportion 0.936490

40 : Page
200
92 94 96 98 00 02 04 06 08 10 12 14 16 18

IMPF ± 2 S.E.

Source Eviews, 2017

Tableau : Prévisions de l’importation à l’horizon 2019

Année Prévisions MCE


2016 443.272
2017 443.526
2018 536.149
2019 579.108

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

Exercice 5:

Partie 1 : Modèle Linéaire Simple :


  

1) On représente l’évolution de bénéfice en fonction de la production

Figure 18 : Ajustement de par une fonction puissance

800

41 : Page
700

600

500
Bénéfice (b)

400
B

300

200

100

0
0 4 8 12 16 20 24 28 32 36 40

Q
Production (q)
Source Eviews, 2017

 Interprétation
L’ajustement entre le bénéfice et la production par une fonction puissance.

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

2) L’estimation des paramètres par la méthode de moindre carré ordinaire de la


régression de bénéfice par la production :
Tableau 9 : Estimations mls par Moindres carrés Ordinaires

Dependent Variable: B
Method: Least Squares
Sample: 1 9
Included observations: 9
Variable Coefficient Std. Error t-Statistic Prob.
C -119.3839 36.17568 -3.30012 0.0131
Q 19.80894 2.163628 9.155430 0.0000
R-squared 0.922926 Mean dependent var 140.3333
Adjusted R-squared 0.911916 S.D. dependent var 226.9185

42 : Page
S.E. of regression 67.34721 Akaike info criterion 11.45073
Sum squared resid 31749.52 Schwarz criterion 11.49456
Log likelihood -49.52828 Hannan-Quinn criter. 11.35615
F-statistic 83.82190 Durbin-Watson stat 0.972356
Prob(F-statistic) = 0.000038
Source EVIEWS, 2017

 Interprétation
On peut écrire sous la forme économétrique suivante :

𝑏 = 19.81 × 𝑞 1 , avec b (bénéfice) et q (production).

3) Le test de Student vérifie l’hypothèse de non significativité de la variable


production :
𝐻𝑂 : 𝑙𝑒 𝑐𝑜𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑡 𝑒𝑠𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒𝑚𝑒𝑛𝑡 é𝑔𝑎𝑙𝑒 à 0 (𝜆 = 0)

Contre

𝐻1 : 𝑙𝑒 𝑐𝑜𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑡 𝑒𝑠𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒𝑚𝑒𝑛𝑡 𝑑𝑖𝑓𝑓é𝑟𝑒𝑛𝑡 à 0 (𝜆 ≠ 0)

En examinant la probabilité critique (0.000) associé au test de Student. On voit


qu’elle est inférieure à tous les seuils conventionnels. On rejette alors l’hypothèse
nulle au détriment de l’hypothèse alternative. Nous pouvons affirmer au seuil de
risque de 5% que la production à un impact significatif sur le bénéfice.

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

4) Dans l’optique de fixer la production à 45, la prévision du Bénéfice s’obtient


alors en multipliant avec le paramètre estimé du modèle ( 𝜆̂ = 19.81) :
𝑏̂ = 19.81 × 45 = 891.454

  

Exercice 6:

43 : Page
1) Estimation Robuste de la probabilité d’achat par la procédure Logit:

Tableau 10 : Estimation du modèle LOGIT

Source Stata, 2017


Master 2 En Méthodes Statistiques Et Econométriques
Econométrique I et II

2) Interprétons le signe des coefficients estimés :

La probabilité revenue et remboursement sont respectivement 0.015 soir (1.5%) et


0.142 soit (13.2%)

Ainsi, la variable revenue est de signe positif, indiquant que la probabilité d’achat est
une fonction croissante de revenue.

Pour la variable remboursement, le signe obtenue est négatif pour la modalité “le
ménage rembourse”, indiquant cette fois-ci que la probabilité d’achat est une fonction
décroissante de remboursement.

Reference : ménage rembourse (-) et ménage ne rembourse pas (-)

44 : Page
3) Il s’agit de tester l’hypothèse nulle de non significativité des variables :

𝐻𝑂 : 𝑙𝑒 𝑐𝑜𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑡 𝑒𝑠𝑡𝑖𝑚é 𝑒𝑠𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒𝑚𝑒𝑛𝑡 é𝑔𝑎𝑙𝑒 à 0

Contre

𝐻1 : 𝑙𝑒 𝑐𝑜𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑡 𝑒𝑠𝑡𝑖𝑚é 𝑒𝑠𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑒𝑚𝑒𝑛𝑡 𝑑𝑖𝑓𝑓é𝑟𝑒𝑛𝑡 à 0

La probabilité critique associé au test de significativité pour le coefficient de la variable revenue


est 0.015 inférieur à 5%. On rejet alors l’hypothèse nulle. La variable revenue est donc
significative au seuil de risqué de 5%.
La probabilité critique associé au test de significativité pour le coefficient de la variable
remboursement est 0.142 supérieur à 5%. On ne rejet pas alors l’hypothèse nulle. La variable
remboursement n’est toujours pas significative (même après l’estimation robuste).

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

4) Il s’agit de tester l’hypothèse nulle de la non significativité globale

𝐻𝑂 : 𝑙𝑒 𝑚𝑜𝑑é𝑙𝑒 𝑙𝑜𝑔𝑖𝑡 𝑛′ 𝑒𝑠𝑡𝑝𝑎𝑠 𝑔𝑙𝑜𝑏𝑎𝑙𝑒𝑚𝑒𝑛𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑓

Contre

𝐻1 : 𝑙𝑒 𝑚𝑜𝑑é𝑙𝑒 𝑙𝑜𝑔𝑖𝑡 𝑒𝑠𝑡 𝑔𝑙𝑜𝑎𝑏𝑙𝑒𝑚𝑒𝑛𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑓

La statistique de Walt 7.31, elle suit une loi de Chi-Deux à 2 degré de liberté. La probabilité
0.0259 est inférieur à 5%, alors on rejette l’hypothèse nulle au détriment de l’hypothèse
alternative. On peut affirmer au seuil de significativité de 5% que le modèle est globalement
significatif.

45 : Page
5) Le coefficient de détermination de Heckman et Mc Fadden indique 39.40% des
fluctuations de la probabilité d’achat sont expliqués par les variables revenue et
remboursement.

6) Les effets marginaux associé aux variables explicatives (revenu et remboursement):

Tableau 11 : Estimation du modèle LOGIT

Source: Stata , 2017

 Interpretation

L’effet marginal associe à la variable quantitative revenue dy/dx est de 0.431. En effet si le
revenu augmente d’une unité, la probabilité d’achat augmente de 0.431 soit 43.1%.

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

En ce qui concerne, l’effet marginal associe à la variable qualitative remboursement est dy/dx
=- 0.4821. En effet l’achat diminue de 48.21% pour les ménages qui remboursent
comparativement aux ménages qui ne remboursent pas (+).

7) Il s’agit de tester l’hypothèse nulle de l’ajustement du modèle

𝐻𝑂 : 𝑙𝑒 𝑚𝑜𝑑é𝑙𝑒 𝑑𝑒 𝑙 ′ 𝑎𝑗𝑢𝑠𝑡𝑒𝑚𝑒𝑛𝑡𝑒𝑠𝑡 𝑚𝑎𝑢𝑣𝑎𝑖𝑠

Contre

𝐻1 : 𝑙𝑒 𝑚𝑜𝑑é𝑙𝑒 𝑑𝑒 𝑙 ′ 𝑎𝑗𝑢𝑠𝑡𝑒𝑚𝑒𝑛𝑡𝑒𝑠𝑡 𝑏𝑜𝑛

46 : Page
Source : Stata, 2017

 Interprétation
La probabilité associée au modelé de test Hosmer LemeShow est 0.6293. Cette
probabilité est supérieure aux seuils conventionnels (1%, 5% et 10%). Par conséquent,
on peut affirmer que le modèle de l’ajustement Logit est bon.

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

ANNEXE
Figure 19 : Boîte à moustache de l’Importation

IMP
440

400

360

320

47 : Page
280

240

Source : EVIEWS 2017

Figure 20 : Densité de PIB

PIB
2,200

2,000

1,800

1,600

1,400

1,200

1,000

800

600
90 92 94 96 98 00 02 04 06 08 10 12 14 16 18

Source : Eviews 2017

Master 2 En Méthodes Statistiques Et Econométriques


Econométrique I et II

Figure 21 : Graphique de répartitions de quantiles de


l’importation

480

440

400
Quantiles of Normal

360

320

48 : Page
280

240

200
240 280 320 360 400 440

Quantiles of IMP

Figure 22 : Prévisions de l’investissement

6,000
Forecast: INVF
5,500 Actual: INV
Forecast sample: 1992 2019
5,000 Adjusted sample: 1992 2015
Included observations: 24
4,500
Root Mean Squared Error 199.3629
4,000
Mean Absolute Error 170.5671
Mean Abs. Percent Error 4.335624
3,500 Theil Inequality Coefficient 0.024747
Bias Proportion 0.000000
3,000 Variance Proportion 0.018597
Covariance Proportion 0.981403
2,500

2,000
92 94 96 98 00 02 04 06 08 10 12 14

INVF ± 2 S.E.

Master 2 En Méthodes Statistiques Et Econométriques