E conométrique I et II: Réalisé par

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

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

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 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 9 : Prévision des ventes de l’entreprise de l’entreprise à l’horizon 2 ans (8
trimestres)
Figure 11: Représentation du graphique de Cusum

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 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

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

 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
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
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.

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

régression linéaire.
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
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

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

Hodrick-Prescott :
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

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
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
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

 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.

Exercice 2 :
1) On représente par graphique linéaire le comportement de taux de croissance de la

période 2000 à 2016 :
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

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 :

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

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 :

On obtient :
l’horizon 3 ans
Source R, 2017

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

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.

On obtient :


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.

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

 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)
Source R, 2017
Jarque Bera Test

data: log(d$IMP)
Source R, 2017

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.

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.
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.

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
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

 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
𝐻𝑂 : Les erreurs du modèle estimé sont conditionnellement homocédastiques
Contre
𝐻1 : Les erreurs du modèle estimé sont hétérocédastiques

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

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:

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

 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

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.

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.

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.

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.

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}.

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
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

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.

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 :

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.

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

800
Forecast: IMPF
Actual: IMP
700
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
300
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.

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).

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

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.

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))

Date: 10/25/17 Time: 20:31
Sample (adjusted): 1991 2015
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
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.

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).

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

800
Forecast: IMPF
Actual: IMP
700
Adjusted sample: 1991 2019
600 Included observations: 25
500 Mean Absolute Error 16.60239
400
300
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

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.

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

régression de bénéfice par la production :
Dependent Variable: B
Sample: 1 9
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
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.

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

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).

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%.

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.

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

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
5,000 Adjusted sample: 1992 2015
4,500
4,000
Mean Absolute Error 170.5671
3,500 Theil Inequality Coefficient 0.024747
3,000 Variance Proportion 0.018597
2,500
2,000
92 94 96 98 00 02 04 06 08 10 12 14
INVF ± 2 S.E.

Langue

Bienvenue sur Scribd !

E conométrique I et II: Réalisé par

Transféré par

Informations du document

Description :

Date du transfert

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Description :

Droits d'auteur :

Formats disponibles

E conométrique I et II: Réalisé par

Titre original :

Transféré par

Description :

Droits d'auteur :

Formats disponibles

Titres liés

Econométrique I et II

Université de Cheik Anta Diop de Dakar

Centre de recherche et de formation pour le développement

Projet à rendre Econométrie I & II

Master II en Méthodes Statistiques et Econométriques (MSE)

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

Master 2 En Méthodes Statistiques Et Econométriques

Tables des Matières

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

Master 2 En Méthodes Statistiques Et Econométriques

Listes des tabLeaux et sigLes d’abréviations

⟹ Liste des tableaux

⟹ Liste des figures

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

Master 2 En Méthodes Statistiques Et Econométriques

Figure 12: Représentation du graphique de Cusum Carré

⟹ Liste des sigles et abréviations

Master 2 En Méthodes Statistiques Et Econométriques

Partie 1 : Détermination de la Tendance

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

Master 2 En Méthodes Statistiques Et Econométriques

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

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

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

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

Années 1992 1993 1994 1995 1996 1997 1998 1999

Années 2000 2001 2002 2003 2004 2005 2006 2007

Années 2008 2009 2010 2011 2012 2013 2014 2015

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

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

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

Master 2 En Méthodes Statistiques Et Econométriques

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

 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 -

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

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

Master 2 En Méthodes Statistiques Et Econométriques

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

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

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

Tableau 2 : Valeur du filtre de Hodrick-Prescott

-128.7731372 73.4543643 215.4550030 701.5475518 -1708.4042192 705.9159080

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

Master 2 En Méthodes Statistiques Et Econométriques

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

Partie 2 : Prévision par une Méthode de Lissage Exponentiel

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

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

Figure 5 : Prévision par lissage exponentielle double

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

Figure 6 : Prévision par Holt-Winters Non saisonnier

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

Tableau 3 : Critères de prévisions e Holt-Winters

ME RMSE MAE MPE MAPE MASE ACF1