Vous êtes sur la page 1sur 15

Master

MARCHE FINANCIER & ECONOMIE APPLIQUEE

Projet _ Econométrie Appliquée

Sous le thème :

Analyse de changement technique de l’économie


américaine (1909-1949)

Année Universitaire : 2019 _ 2020


Projet N° 12

Analyse de changement technique de l’économie


américaine (1909-1949)

Dans son étude classique (1957) sur le changement technique de l’économie


américaine, Solow a suggéré la fonction de production agrégée suivante :
q(t)=A(t)f [K(t)] , ou q(t) est la production agrégée par heure de travail, K(t) est
le ratio capital-travail agrégé et A(t) l’indice technologique. Quatre modèles
statiques sont considérés :
q/A=α+βLnK ; q/A=α-β/K ; Ln(q/A)=α+βLnK ; Ln(q/A)=α+β/K
Les données utilisées par Solow pour la période 1909-1949 sont présentées au
tableau F 6.4 en annexe.
A- Utilisez ces données pour estimer α et β pour ces modèles [Les résultats

obtenus peuvent être différents de ceux de Solow].


B- Dans l’étude mentionnée précédemment, Solow énonce : La figure 4

montre un nuage de points de q/A par rapport à K. La régression est


remarquablement bien ajustée avec les données bien traitées. Excepté
les points dont les valeurs sont trop élevées. Ces dernières
correspondent aux sept dernières années, 1943-1949, et se sont liées
presque parallèlement au principal nuage de points. On peut alors
conclure qu’il y a eu un saut dans la fonction de production agrégée en
1943.
Construisez le nuage de points de q/A par rapport à K.
C- Estimez les quatre modèles avec maintenant une variable muette pour

les années 1943-1949. Comment les résultats changent-ils ? [Indication :


ces résultats sont identiques à ceux de Solow, bien qu’il n’ait pas reporté
le coefficient de la variable muettes] .
D- Solow a conjecturé que les données étaient fondamentalement

différentes avant 1943 par rapport à la période suivante. Calculez le test


de Chow pour étudier la différence entre ces deux sous-périodes avec les
quatre formes fonctionnelles. On peut pour cela introduire dans la
régression un terme d’interaction entre la variable muette et une
fonction de K. Evaluez cette hypothèse par test F.
INTRODUCTION

L’approche de SOLOW ouvre également un débat sur le poids respectif des


facteurs de croissance ainsi que sur le rôle du progrès technique.

Le modèle de croissance élaboré par SOLOW en 1956 et 1957 est fondé sur une
fonction de production agrégée de type Cobb-Douglas.

Sur cette base, il établit que l’augmentation quantitative des facteurs travail et
capital (dont la productivité est supposée constante) n’explique qu'une faible
part de la croissance (les travaux de SOLOW portaient sur la croissance
économique américaine entre 1909-1949)

Pour Solow, le facteur résiduel, c’est-à-dire la partie de la croissance non


expliquée par la variation de la quantité de facteurs de production (le facteur
résiduel est alors l’équivalent d’un troisième facteur de production), constitue
une mesure de la contribution du progrès technique à la croissance. Le progrès
technique est ici considéré comme un facteur exogène de croissance, c’est-à-
dire s’expliquant pour des raisons relevant de l’environnement dans lequel se
déroule le processus de croissance et non de ce processus lui-même (a
contrario, un facteur de croissance, dans ce cas, le progrès technique serait à la
fois cause et conséquence de la croissance).

L’approfondissent l’approche de Solow en mesurant non seulement la


contribution quantitative du capital et du travail à la croissance mais également
leur contribution qualitative: une part du progrès technique exogène contribue
à relever la productivité du capital et celle du travail.

En outre, l’explication de croissance intègre l’analyse des conséquences de


certains éléments, telle l’insertion dans le commerce international. Ces
approches réduisent la part du résidu, c’est-à-dire la partie restant inexpliquée
de la croissance après prise en compte non seulement de la variation de la
quantité de facteurs de production mais aussi de l’amélioration de leur qualité
et du rôle de certains éléments spécifiques (le résidu n’est donc pas assimilable
au facteur résiduel défini par Solow. Cependant, la part de résidu reste toujours
significative.
En 1957, une nouvelle méthode pour mesurer la contribution du changement
technique au développement économique croissance. Depuis lors, plusieurs
améliorations de Les calculs originaux de Solow ont été établis, tous visant à
fournir de meilleures mesures de le travail et le capital en tenant compte de
l'éducation,

L’approche de Solow est désormais familière. L'équation q(t)=A(t)F[k(t)]


exprime l'hypothèse d'une constante retour à l'échelle de la fonction de
production globale, avec le paramètre A (t) exprimant l'hypothèse de
changement technique neutre.

Le but exprimé par Solow était de distinguer entre les déplacements de la


fonction de production supposée en raison du «changement technique» et des
mouvements en raison des changements dans le capital travail par rapport à k.
Question A : Utilisez ces données pour estimer α et β pour ces modèles :

 Estimation du modèle 1 : q/A=α+βlnK

Dependent Variable: Q_A


Method: Least Squares
Date: 01/06/20 Time: 17:05
Sample: 1 41
Included observations: 41

Variable Coefficient Std. Error t-Statistic Prob.

C 0.451275 0.009618 46.92175 0.0000


LNK 0.239850 0.009937 24.13640 0.0000

R-squared 0.937255 Mean dependent var 0.681508


Adjusted R-squared 0.935646 S.D. dependent var 0.031004
S.E. of regression 0.007865 Akaike info criterion -6.805193
Sum squared resid 0.002413 Schwarz criterion -6.721605
Log likelihood 141.5065 Hannan-Quinn criter. -6.774755
F-statistic 582.5659 Durbin-Watson stat 0.515286
Prob(F-statistic) 0.000000

q/A=0,451+0,239lnK

α= 0,451 et β= 0,239 et R²= 0,937

L’équation de la droite de régression est capable de déterminer 93,72% de la


distribution des points.

 Estimation du modèle 2 : q/A=α-β/K

Dependent Variable: Q_A


Method: Least Squares
Date: 01/06/20 Time: 17:05
Sample: 1 41
Included observations: 41

Variable Coefficient Std. Error t-Statistic Prob.

C 0.922133 0.009413 97.95918 0.0000


_1_K -0.623604 0.024211 -25.75668 0.0000

R-squared 0.944477 Mean dependent var 0.681508


Adjusted R-squared 0.943053 S.D. dependent var 0.031004
S.E. of regression 0.007399 Akaike info criterion -6.927464
Sum squared resid 0.002135 Schwarz criterion -6.843875
Log likelihood 144.0130 Hannan-Quinn criter. -6.897025
F-statistic 663.4064 Durbin-Watson stat 0.619895
Prob(F-statistic) 0.000000
q/A= 0,922 +0,623 /K

α= 0,922 et β= -0,623 et R²=0,944

L’équation de la droite de régression est capable de déterminer 94,44% de la


distribution des points.
 Estimation du modèle 3 : Ln(q/A)=α+βlnK

Dependent Variable: LN_Q_A_


Method: Least Squares
Date: 01/06/20 Time: 17:06
Sample: 1 41
Included observations: 41

Variable Coefficient Std. Error t-Statistic Prob.

C -0.724309 0.014539 -49.81857 0.0000


LNK 0.354037 0.015022 23.56760 0.0000

R-squared 0.934391 Mean dependent var -0.384467


Adjusted R-squared 0.932709 S.D. dependent var 0.045835
S.E. of regression 0.011890 Akaike info criterion -5.978723
Sum squared resid 0.005513 Schwarz criterion -5.895135
Log likelihood 124.5638 Hannan-Quinn criter. -5.948285
F-statistic 555.4320 Durbin-Watson stat 0.462507
Prob(F-statistic) 0.000000

Ln(q/A)= -0,724+0,354lnK

α= -0,724 et β= 0,354 et R²= 0,934

L’équation de la droite de régression est capable de déterminer 93,43% de la


distribution des points.

 Estimation du modèle 4 : Ln(q/A)= α+β/K


Dependent Variable: LN_Q_A_
Method: Least Squares
Date: 01/06/20 Time: 17:07
Sample: 1 41
Included observations: 41

Variable Coefficient Std. Error t-Statistic Prob.

C -0.028671 0.013869 -2.067234 0.0454


_1_K -0.922078 0.035672 -25.84883 0.0000

R-squared 0.944850 Mean dependent var -0.384467


Adjusted R-squared 0.943436 S.D. dependent var 0.045835
S.E. of regression 0.010901 Akaike info criterion -6.152377
Sum squared resid 0.004634 Schwarz criterion -6.068788
Log likelihood 128.1237 Hannan-Quinn criter. -6.121938
F-statistic 668.1619 Durbin-Watson stat 0.573122
Prob(F-statistic) 0.000000

Ln(q/A)= -0,028-0,922/K

α= -0,028 et β= -0,922 et R²= 0,944

L’équation de la droite de régression est capable de déterminer 94,48% de la


distribution des points.

Question B : Construisez le nuage de points de q/A par rapport à K

q/A en fonction de K
0.71

0.705

0.7
q/A

0.695

0.69

0.685
2.45 2.5 2.55 2.6 2.65 2.7 2.75
K

Le graphique représente les couples (q/A, K).

On a obtenu un nuage de points ayant la forme d’une droite très légèrement


incurvée, avec un coefficient de détermination est supérieur à 0,99.

À partir de la voie ils se situent presque exactement parallèlement à la


dispersion principale, on est tenté de conclure qu'en 1943 la fonction de
production globale simplement décalé.
Question C : Estimez les quatre modèles avec maintenant une variable muette
pour les années 1943-1949:

Présentation des modèles:

q/A=α+βlnK+bDt

q/A=α-β/K+bDt

Ln(q/A)=α+βlnK+bDt

Ln(q/A)= α+β/K+bDt

 Pour le modèle 1 : q/A=α+βlnK+bDt


Dt = 0 pour t= 1909 à 1942
Dt = 1 pour t = 1943 à 1949

Dependent Variable: Q_A


Method: Least Squares
Date: 02/25/20 Time: 23:35
Sample: 1 41
Included observations: 41

Variable Coefficient Std. Error t-Statistic Prob.

C 0.446765 0.004260 104.8764 0.0000


LNK 0.241284 0.004388 54.99068 0.0000
D01 0.018356 0.001441 12.73476 0.0000

R-squared 0.988089 Mean dependent var 0.681508


Adjusted R-squared 0.987462 S.D. dependent var 0.031004
S.E. of regression 0.003472 Akaike info criterion -8.418015
Sum squared resid 0.000458 Schwarz criterion -8.292631
Log likelihood 175.5693 Hannan-Quinn criter. -8.372357
F-statistic 1576.147 Durbin-Watson stat 2.089934
Prob(F-statistic) 0.000000

α= 0,446 et β= 0,241 et b= 0,018 et R²= 0,988

q/A=0,44+0,24lnK+0,018Dt

L’équation de la droite de régression est capable de déterminer 98,8% de la


distribution des points.
 Pour le modèle 2: q/A=α-β/K+bDt
Dependent Variable: Q_A
Method: Least Squares
Date: 02/25/20 Time: 23:36
Sample: 1 41
Included observations: 41

Variable Coefficient Std. Error t-Statistic Prob.

C 0.919314 0.005072 181.2622 0.0000


_1_K -0.623488 0.013024 -47.87351 0.0000
D01 0.016251 0.001652 9.837869 0.0000

R-squared 0.984346 Mean dependent var 0.681508


Adjusted R-squared 0.983522 S.D. dependent var 0.031004
S.E. of regression 0.003980 Akaike info criterion -8.144768
Sum squared resid 0.000602 Schwarz criterion -8.019385
Log likelihood 169.9677 Hannan-Quinn criter. -8.099110
F-statistic 1194.755 Durbin-Watson stat 1.723838
Prob(F-statistic) 0.000000

α= 0,919 et β= -0,623 et b= 0,016 et R²= 0,984

q/A=0,91-0,623/K+0,016Dt

L’équation de la droite de régression est capable de déterminer 98,43% de la


distribution des points.

 Pour le modèle 3: Ln(q/A)=α+βlnK+bDt


Dependent Variable: LN_Q_A_
Method: Least Squares
Date: 02/25/20 Time: 23:38
Sample: 1 41
Included observations: 41

Variable Coefficient Std. Error t-Statistic Prob.

C -0.731162 0.006293 -116.1838 0.0000


LNK 0.356215 0.006482 54.95496 0.0000
D01 0.027894 0.002129 13.09988 0.0000

R-squared 0.988106 Mean dependent var -0.384467


Adjusted R-squared 0.987480 S.D. dependent var 0.045835
S.E. of regression 0.005129 Akaike info criterion -7.637591
Sum squared resid 0.001000 Schwarz criterion -7.512207
Log likelihood 159.5706 Hannan-Quinn criter. -7.591933
F-statistic 1578.398 Durbin-Watson stat 1.954517
Prob(F-statistic) 0.000000
α= -0,731 et β= 0,356 et b= 0,027 et R²= 0,988

Ln(q/A)= -0,73+0,35lnK+0,02Dt

L’équation de la droite de régression est capable de déterminer 98,81% de la


distribution des points.

 Pour le modèle 4: Ln(q/A)= α+β/K+bDt


Dependent Variable: LN_Q_A_
Method: Least Squares
Date: 02/25/20 Time: 23:40
Sample: 1 41
Included observations: 41

Variable Coefficient Std. Error t-Statistic Prob.

C -0.032971 0.006756 -4.880301 0.0000


_1_K -0.921901 0.017349 -53.13965 0.0000
D01 0.024787 0.002200 11.26443 0.0000

R-squared 0.987290 Mean dependent var -0.384467


Adjusted R-squared 0.986621 S.D. dependent var 0.045835
S.E. of regression 0.005302 Akaike info criterion -7.571272
Sum squared resid 0.001068 Schwarz criterion -7.445889
Log likelihood 158.2111 Hannan-Quinn criter. -7.525615
F-statistic 1475.898 Durbin-Watson stat 1.921181
Prob(F-statistic) 0.000000

α= -0,032 et β= -0,921 et b= 0,024 et R²= 0,987

Ln(q/A)= -0,03-0,92/K+0,02Dt

L’équation de la droite de régression est capable de déterminer 98,72% de la


distribution des points.

Question D : Test de Chow pour étudier la différence entre deux sous période

 Pour le modèle 1 : q/A=α+βlnK


 Formulation des hypothèses:
H₀: SCR=SCR₁+SCR₂
H₁: SCR≠SCR₁+SCR₂
 Le Fisher empirique est égal à :
Fc=76,94
FTh=4,11
 FC>FTh donc on rejet H₀, il existe une différence significative entre ces
deux sous-période.

 Pour le modèle 2 : q/A=α-β/K


 Formulation des hypothèses:
H₀: SCR=SCR₁+SCR₂
H₁: SCR≠SCR₁+SCR₂
 Le Fisher empirique est égal à :
Fc=54,21
FTh=4,11
 FC>FTh donc on rejet H₀, il existe une différence significative entre ces
deux sous-période.

 Pour le modèle 3: Ln(q/A)=α+βlnK


 Formulation des hypothèses:
H₀: SCR=SCR₁+SCR₂

H₁: SCR≠SCR₁+SCR₂
 Le Fisher empirique est égal à :
Fcal=25,58
FTh=4,11
 FC>FTh donc on rejet H₀, il existe une différence significative entre ces
deux sous-période.

 Pour le modèle 4: Ln(q/A)=α+βlnK


 Formulation des hypothèses:
H₀: SCR=SCR₁+SCR₂
H₁: SCR≠SCR₁+SCR₂
 Le Fisher empirique est égal à :
Fcal=22,78
FTh=4,11
 FC>FTh donc on rejet H₀, il existe une différence significative entre ces
deux sous-période.

Test de Fisher :

 Pour le modèle: q/A=α+βlnK+bDt


 Formulation du test:
H₀:α=β=b=0
H₁:Existe au moins un des coefficients non nul
 Le Fisher empirique est égal à :
Fcal=1576,14
Fth=3,25
 FC>FTh donc on rejet H₀, le modèle est globalement significatif

 Pour le modèle: q/A=α-β/K+bDt


 Formulation du test:
H₀:α=β=b=0
H₁:Existe au moins un des coefficients non nul
 Le Fisher empirique est égal à :
Fcal=1194,75
Fth=3,25
 FC>FTh donc on rejet H₀, le modèle est globalement significatif

 Pour le modèle: Ln(q/A)=α+βlnK+bDt


 Formulation du test:
H₀:α=β=b=0
H₁:Existe au moins un des coefficients non nul
 Le Fisher empirique est égal à :
Fcal=1578,39
Fth=3,25
 FC>FTh donc on rejet H₀, le modèle est globalement significatif

 Pour le modèle: Ln(q/A)= α+β/K+bDt


 Formulation du test:
H₀:α=β=b=0
H₁:Existe au moins un des coefficients non nul
 Le Fisher empirique est égal à :
Fcal=1475,89
Fth=3,25
 FC>FTh donc on rejet H₀, le modèle est globalement significatif
Bibliographie :

Revue de la regulation, Jesus Felipe and John S.L. McCombie, The Aggregate
Production Function and the Measurement of Technical Change: Not Even
Wrong;

Solow R. (1957), “Technical Change and the Aggregated Production Function”,


Review of Economics and Statistics

https://www.persee.fr/doc/tiers_0040-7356_1964_num_5_17_1380

Brown, P. 1957. “The Meaning of Fitted Cobb-Douglas Functions”, Qurrrterly


Journal of’ Economic&, 71.546-60.

The Review of Economics and Statistics, Vol. 39, No. 3 (Aug., 1957), pp. 312
320

Davenport, P. (1982). Investissement, progrès technique et croissance


économique.