Vous êtes sur la page 1sur 20

UNIVERSITE HASSAN II CASABLANCA

Faculté des Sciences Juridiques Economiques et


Sociales -Mohammedia-

Cas 1 : La consommation totale d’essence

Tronc commun :

MARCHE FINANCIER ET ECONOMIE APPLIQUEE

DEVELOPPEMENT ECONOMIQUE ET INGENIERIE DES PROGRAMMES

 SEFRIOUI SOUFIANE
 ATTOUMANE LAILINA
 KAFI SARA
 THOMSON TSABOHAKO
 SEFFAR Fatima Ezzahra
PLAN
I. Introduction................................................................................................................3
A. Enoncé - Projet N° 1..............................................................................................................3
B. Présentation de la problématique.........................................................................................5
C. Question 1 : Présentation de la fonction de demande..........................................................5
II. Présentation du modèle..............................................................................................6
Définition des variables................................................................................................................6
Question 2 : Transformer les données en logarithme log(G/Pop), log(Pg), log(Y), log(Pnc),
log(Puc)........................................................................................................................................6
Question 3 : Représenter graphiquement la variable log (G/Pop) en fonction de la variable logY
et tracer la droite de régression sur la période 1960-1995 et 1960-1975......................................8
III. Estimation...................................................................................................................9
Question 4 : Estimer le modèle de régression simple, commenter et comparer les résultats et
indiquer ce que représentent les résidus :....................................................................................9
Question 5 : Estimer les 3 modèles de régression multiple :.......................................................11
Question 6 : Calculer les coefficients de corrélation simple et les coefficients de corrélation
partielle de la variable log(G/Pop) avec les variables explicatives du troisième modèle.............14
Question 7 : Tester l'hypothèse d'égalité à 0 des paramètres des variables log Pnc et log Puc
dans le troisième modèle (H0 : β4 = β5 = 0)...................................................................................15
IV. Validation.................................................................................................................17
TEST D’AUTOCORRELATION DES ERREURS..................................................................................17
Question 8 : Teste de la stabilité structurelle (Chow, avec date de rupture : 1975)....................18
Question 9 : Tester la stabilité des coefficients avec le test du CUSUM, commenter les résultats.
...................................................................................................................................................18
V. Conclusion.................................................................................................................20
I. Introduction

A. Enoncé - Projet N° 1 

Analyse de la Consommation d'essence 1960 -1995

Données annuelles de 1960 à 1995 :

G : Consommation totale d’essence (dépenses totales divisées par l’indice des prix)
Pg : Indice de prix de l’essence
Y : Revenu réel disponible par tête
Pnc : Indice des prix des nouvelles voitures
Puc : Indice des prix des voitures d’occasion
Pop : Population totale des USA en millions

Questions :

1) Rappeler comment on obtient une fonction de demande et indiquer les arguments


de la fonction de demande

2) Transformer les données en logarithme :


log(G/Pop), log(Pg), log(Y), log(Pnc), log(Puc)

3) Représenter graphiquement la variable log (G/Pop) en fonction de la variable logY et


tracer la droite de régression sur la période 1960-1995 et 1960-1975

4) Estimer le modèle de régression simple :


modèle 1 : log (G/Pop) = β1 + β2 log Y + ε ;
et commenter les résultats.
Comparer les résultats à ceux obtenus précédemment et indiquer ce que
représentent les résidus

5) Estimer les 3 modèles de régression multiple et Commenter les résultats statistiques


et économiques

Modèle 1 : log (G/Pop) = β1 + β2 log Y + β3 log Pg + ε

Modèle 2 : log (G/Pop) = β1 + β2 log Y + β3 log Pg + β4 log Pnc + ε

Modèle 3 : log (G/Pop) = β1 + β2 log Y + β3 log Pg + β4 log Pnc + β5 log Puc + ε
6) Calculer les coefficients de corrélation simple et les coefficients de corrélation
partielle de la variable log(G/Pop) avec les variables explicatives du troisième
modèle.

7) Tester l'hypothèse d'égalité à 0 des paramètres des variables logPnc et logPuc dans
le troisième modèle (H0 : b4=b5=0).

8) Tester un changement structurel dans le second modèle avec le test de Chow


(prendre comme date de rupture 1975)

9) Tester la stabilité des coefficients avec le test du CUSUM, commenter les


résultats.
YEAR G PG Y PNC PUC POP
1960 129,7 0,925 6036 1,045 0,836 180,7
1961 131,3 0,914 6113 1,045 0,869 183,7
1962 137,1 0,919 6271 1,041 0,948 186,5
1963 141,6 0,918 6378 1,035 0,96 189,2
1964 148,8 0,914 6727 1,032 1,001 191,9
1965 155,9 0,949 7027 1,009 0,994 194,3
1966 164,9 0,97 7280 0,991 0,97 196,6
1967 171 1 7513 1 1 198,7
1968 183,4 1,014 7728 1,028 1,028 200,7
1969 195,8 1,047 7891 1,044 1,031 202,7
1970 207,4 1,056 8134 1,076 1,043 205,1
1971 218,3 1,063 8322 1,12 1,102 207,7
1972 226,8 1,076 8562 1,11 1,105 209,9
1973 237,9 1,181 9042 1,111 1,176 211,9
1974 225,8 1,599 8867 1,175 1,226 213,9
1975 232,4 1,708 8944 1,276 1,464 216
1976 241,7 1,779 9175 1,357 1,679 218
1977 249,2 1,882 9381 1,429 1,828 220,2
1978 261,3 1,963 9735 1,538 1,865 222,6
1979 248,9 2,656 9829 1,66 2,01 225,1
1980 226,8 3,691 9722 1,793 2,081 227,7
1981 225,6 4,109 9769 1,902 2,569 230
1982 228,8 3,894 9725 1,976 2,964 232,2
1983 239,6 3,764 9930 2,026 3,297 234,3
1984 244,7 3,707 10421 2,085 3,757 236,3
1985 245,8 3,738 10563 2,152 3,797 238,5
1986 269,4 2,921 10780 2,24 3,632 240,7
1987 276,8 3,038 10859 2,321 3,776 242,8
1988 279,9 3,065 11186 2,368 3,939 245
1989 284,1 3,353 11300 2,414 4,019 247,3
1990 282 3,834 11389 2,451 3,926 249,9
1991 271,8 3,766 11272 2,538 3,942 252,6
1992 280,2 3,751 11466 2,528 4,113 255,4
1993 286,7 3,713 11476 2,663 4,47 258,1
1994 290,2 3,732 11636 2,754 4,73 260,7
1995 297,8 3,789 11934 2,815 5,224 263,2
B. Présentation de la problématique

L’objectif de cette étude est de réaliser une analyse économétrique sur la consommation
totale d’essence (dépenses totales divisées par l’indice des prix) notée G, par l’ensemble de
la population Pop des USA en millions, cette variable a été influencée par diverses variables
exogènes.

C. Question 1 : Présentation de la fonction de demande

La théorie microéconomique traditionnelle définit la fonction de demande comme étant


la relation entre la quantité optimale demandée d'un bien et les valeurs possibles des
variables qui la déterminent. Cette définition appelle plusieurs commentaires :

 La relation que la fonction établit concerne la quantité optimale demandée du bien


considéré en ce sens qu'elle vise le meilleur choix de consommation que le
consommateur peut faire de ce bien en tenant compte non seulement de ses
préférences mais aussi de la contrainte budgétaire que le prix des biens et que son
revenu limité lui impose.

 La fonction de demande est une fonction à plusieurs variables parce que le choix de
consommation dépend de plusieurs variables : le prix du bien considéré, le prix des
autres biens, le revenu du consommateur, ses goûts et préférences, sa richesse, etc.

L'analyse microéconomique élémentaire de la fonction de demande privilégie les trois


premières variables : le prix du bien, le prix des autres biens (complémentaires ou de
substitution) et le revenu du consommateur.

La demande optimale de X, comme celle de Y, se détermine à partir des meilleurs choix de


consommation dictés au consommateur par la maximisation de son utilité.
Sa satisfaction sous la contrainte du budget dont il dispose et des prix des deux biens;
autrement dit, à partir des différents équilibres du consommateur selon les valeurs prises
par son budget et par les prix des biens qui doivent composer son panier.

L'équilibre du consommateur se définit de la manière générale suivante :

Max U = U (x y)

Sous la contrainte R = PX * x + PY * y

La fonction de demande est dérivée d'un problème de maximisation de la fonction d'utilité


sous contrainte de revenu. Il s'agit d'un programme d'optimisation qui peut être résolu à
partir du Lagrangien.
II. Présentation du modèle

Définition des variables

Nous allons procéder à l’étude de l’influence du Y , PG , Pnc et Puc sur G / Pop sur la
période allant de 1960 à 1995 :
Log ( G / Pop ) = β1 + β2 Log ( Y ) + β3 Log ( Pg ) + β4 Log ( Pnc ) + β5 Log ( Puc ) + ε
Avec :

Log ( G / Pop )  : La variable à expliquer


β1 , β2 , β3 , β4 , β5  : Les paramètres du modèle

G : Consommation totale d’essence en $ (dépenses totales divisées par l’indice des prix)
Pg : Indice de prix de l’essence en $
Y : Revenu réel disponible par tête en $
Pnc : Indice des prix des nouvelles voitures en $
Puc : Indice des prix des voitures d’occasion en $
Pop : Population totale des USA en millions

Question 2 : Transformer les données en logarithme log(G/Pop),


log(Pg), log(Y), log(Pnc), log(Puc)

Notons tout d’abord que dans la grande majorité des cas, la transformation logarithmique
est très utile. En fait, la transformation logarithmique (en pratique ln) nous libère des unités
de mesure et introduit des unités de pourcentage qui sont relatives, une caractéristique
bien utile quand les données couvrent de longues périodes.
log(g/pop) log(Pg) log(y) log(Pnc) log(Puc)
1960 -0.331614 -0.077962 8.705497 0.044017 -0.179127
1961 -0.335819 -0.089925 8.718173 0.044017 -0.140412
1962 -0.307721 -0.084469 8.743691 0.040182 -0.053401
1963 -0.289798 -0.085558 8.760610 0.034401 -0.040822
1964 -0.254371 -0.089925 8.813885 0.031499 0.001000
1965 -0.220189 -0.052346 8.857515 0.008960 -0.006018
1966 -0.175832 -0.030459 8.892886 -0.009041 -0.030459
1967 -0.150133 0.000000 8.924390 0.000000 0.000000
1968 -0.090142 0.013903 8.952605 0.027615 0.027615
1969 -0.034633 0.045929 8.973478 0.043059 0.030529
1970 0.011152 0.054488 9.003808 0.073250 0.042101
1971 0.049776 0.061095 9.026658 0.113329 0.097127
1972 0.077437 0.073250 9.055089 0.104360 0.099845
1973 0.115736 0.166362 9.109635 0.105261 0.162119
1974 0.054141 0.469378 9.090092 0.161268 0.203757
1975 0.073182 0.535323 9.098739 0.243730 0.381172
1976 0.103202 0.576051 9.124238 0.305276 0.518198
1977 0.123720 0.632335 9.146441 0.356975 0.603223
1978 0.160293 0.674474 9.183483 0.430483 0.623261
1979 0.100506 0.976821 9.193092 0.506818 0.698135
1980 -0.003960 1.305897 9.182147 0.583890 0.732849
1981 -0.019316 1.413180 9.186970 0.642906 0.943517
1982 -0.014751 1.359437 9.182455 0.681075 1.086540
1983 0.022369 1.325482 9.203316 0.706063 1.193013
1984 0.034931 1.310223 9.251578 0.734769 1.323621
1985 0.030149 1.318551 9.265113 0.766398 1.334211
1986 0.112646 1.071926 9.285448 0.806476 1.289783
1987 0.131057 1.111199 9.292749 0.841998 1.328665
1988 0.133174 1.120048 9.322418 0.862046 1.370927
1989 0.138724 1.209855 9.332558 0.881285 1.391033
1990 0.120846 1.343909 9.340404 0.896496 1.367621
1991 0.073259 1.326013 9.330077 0.931376 1.371688
1992 0.092673 1.322022 9.347141 0.927429 1.414153
1993 0.105089 1.311840 9.348013 0.979453 1.497388
1994 0.107200 1.316944 9.361859 1.013054 1.553925
1995 0.123508 1.332102 9.387147 1.034962 1.653263
Question 3 : Représenter graphiquement la variable log (G/Pop) en
fonction de la variable logY et tracer la droite de régression sur la
période 1960-1995 et 1960-1975

REPRÉSENTATION GRAPHIQUE DE LA PÉRIODE DU 1960-1995


.2

.1

.0
Log (G/POP)

-.1

-.2

-.3

-.4
8.7 8.8 8.9 9.0 9.1 9.2 9.3 9.4

Log (Y)

Log(G/POP)=-6.05+0.6636*Log(Y)

REPRÉSENTATION GRAPHIQUE DE LA PÉRIODE DU 1960-1975


.2

.1

.0
Log(G/POP)

-.1

-.2

-.3

-.4
8.70 8.75 8.80 8.85 8.90 8.95 9.00 9.05 9.10 9.15

LOG(Y)

Log(G/POP)=-10.37+1.15*Log(y)

III. Estimation

Question 4 : Estimer le modèle de régression simple, commenter et


comparer les résultats et indiquer ce que représentent les résidus :
Log (G/Pop) = β1 + β2 log Y + ε
Estimation du modèle par la méthode des Moindres Carrés Ordinaires (E-views) :

Dependent Variable: LOG_G_SUR_POP


Method: Least Squares
Date: 02/17/19 Time: 19:34
Sample: 1960 1995
Included observations: 36

Variable Coefficient Std. Error t-Statistic Prob.  

C -6.049632 0.514154 -11.76619 0.0000


LOGY 0.663590 0.056419 11.76187 0.0000

R-squared 0.802717     Mean dependent var -0.003709


Adjusted R-squared 0.796915     S.D. dependent var 0.151691
S.E. of regression 0.068359     Akaike info criterion -2.474122
Sum squared resid 0.158882     Schwarz criterion -2.386149
Log likelihood 46.53419     Hannan-Quinn criter. -2.443417
F-statistic 138.3416     Durbin-Watson stat 0.198106
Prob(F-statistic) 0.000000

Log (G/POP) = 0.66359 * Log (Y) - 6.049631


On constate que la consommation globale d’essence et le revenu réel disponible évoluent dans le
même sens, conformément à la théorie microéconomique classique : Sur l’ensemble de la période
1960-1995, le résultat de l’estimation est conforme avec celle de la représentation graphique :
l’augmentation d’un 1% des revenus réels disponible par tête entraine une augmentation de
0, 66359% de la consommation totale d’essence par tête.

On a R² = 80 ,27 % : Le revenu réel disponible par tête explique à la hauteur de 80,27 % la


variation de la consommation totale d’essence, avec : Une augmentation du revenu réel de 1%
entraine une augmentation de 0.66% de la consommation totale d’essence.

Test de Fisher au seuil de signification α= 5%.

On constate que la probabilité le modèle n’est pas explicatif de la variation de la variable


exogène est envers 0. Donc, le modèle dans sa globalité est significativement explicatif de la
variation de la consommation totale d’essence par tête.

Comparaison :
Sur l’ensemble de la période 1960-1995, le résultat de l’estimation est conforme avec celle
de la représentation graphique : l’augmentation de 1% des revenus réels disponible par tête
entraine une augmentation de 0, 66359% de la consommation totale d’essence par tête.

Les résidus :
Les résidus représentent les écarts entre les valeurs estimées et les valeurs réellement
observées. D’une manière générale, l’erreur est due aux autres variables exogènes non inclus dans le
modèle, tel que :

 La performance de l’économie et du niveau de chômage.


 L’accès aux crédits pour l’achats des voitures.
 Les prix des voitures, anciennes et nouvelles.
 La qualité/prix des services du transport publique.
 Etc.

La capacité du modèle à expliqué la variable peut être amélioré par l’ajout d’autres variables
explicatives, tels que log Pg, log Pnc et log Puc.
Question 5 : Estimer les 3 modèles de régression multiple :

Modèle 1 : log (G/Pop) = β1 + β2 log Y + β3 log Pg + ε

Modèle 2 : log (G/Pop) = β1 + β2 log Y + β3 log Pg + β4 log Pnc + ε

Modèle 3 : log (G/Pop) = β1 + β2 log Y + β3 log Pg + β4 log Pnc + β5 log Puc + ε

Modèle 1 : log (G/Pop) = β1 + β2 log Y + β3 log Pg +ei

Dependent Variable: LOG_G_SUR_POP


Method: Least Squares
Date: 02/17/19 Time: 19:33
Sample: 1960 1995
Included observations: 36

Variable Coefficient Std. Error t-Statistic Prob.  

C -10.67585 0.790046 -13.51294 0.0000


LOGY 1.185840 0.088717 13.36661 0.0000
LOGPG -0.195771 0.030071 -6.510346 0.0000

R-squared 0.913638     Mean dependent var -0.003709


Adjusted R-squared 0.908404     S.D. dependent var 0.151691
S.E. of regression 0.045909     Akaike info criterion -3.244662
Sum squared resid 0.069552     Schwarz criterion -3.112702
Log likelihood 61.40391     Hannan-Quinn criter. -3.198604
F-statistic 174.5574     Durbin-Watson stat 0.172878
Prob(F-statistic) 0.000000
Estimation du modèle 1 :

Log (G/POP) = 1.186 * Log (Y) - 0.196 * Log (PG) - 10.676

On a R² = 91 36 % : Le revenu réel disponible par tête (y) et l’indice de prix de l’essence
(PG) expliquent à la hauteur de 91.36 % la variation de la consommation totale d’essence (G/POP).

Modèle 2 : log (G/Pop) = β1 + β2 log Y + β3 log Pg + β4 log Pnc +ei

Dependent Variable: LOG_G_SUR_POP


Method: Least Squares
Date: 02/17/19 Time: 19:33
Sample: 1960 1995
Included observations: 36

Variable Coefficient Std. Error t-Statistic Prob.  

C -11.92614 0.622555 -19.15677 0.0000


LOGY 1.327548 0.069998 18.96557 0.0000
LOGPG -0.062337 0.032976 -1.890376 0.0678
LOGPNC -0.294999 0.054271 -5.435701 0.0000

R-squared 0.955098     Mean dependent var -0.003709


Adjusted R-squared 0.950889     S.D. dependent var 0.151691
S.E. of regression 0.033616     Akaike info criterion -3.843169
Sum squared resid 0.036162     Schwarz criterion -3.667222
Log likelihood 73.17704     Hannan-Quinn criter. -3.781759
F-statistic 226.8884     Durbin-Watson stat 0.553964
Prob(F-statistic) 0.000000

Estimation du modèle 2 :

Log (G/POP) = 1.326 *Log (Y) - 0.062 *Log (PG) - 0.295 *Log (PNC) - 11.926
On a R² = 95 ,50 % : Le revenu réel disponible par tête (y), l’indice de prix de l’essence
(PG) et l’indice des prix des nouvelles voitures (PNC) expliquent à la hauteur de 95.5 % la variation de
la consommation totale d’essence (G/POP).

Modèle 3 : log (G/Pop) = β1 + β2 log Y + β3 log Pg + β4 log Pnc + β5 log Puc
+ei

Dependent Variable: LOG_G_SUR_POP


Date: 02/17/19 Time: 19:33
Sample: 1960 1995
Included observations: 36

Variable Coefficient Std. Error t-Statistic Prob.  

C -12.34184 0.674895 -18.28706 0.0000


LOGY 1.373399 0.075628 18.16001 0.0000
LOGPG -0.059095 0.032485 -1.819154 0.0786
LOGPNC -0.126797 0.126994 -0.998450 0.3258
LOGPUC -0.118708 0.081337 -1.459463 0.1545

R-squared 0.957985     Mean dependent var -0.003709


Adjusted R-squared 0.952564     S.D. dependent var 0.151691
S.E. of regression 0.033038     Akaike info criterion -3.854066
Sum squared resid 0.033837     Schwarz criterion -3.634133
Log likelihood 74.37320     Hannan-Quinn criter. -3.777304
F-statistic 176.7080     Durbin-Watson stat 0.604698
Prob(F-statistic) 0.000000

Estimation du modèle 3 :

log (G/pop) = β1 + β2 log Y + β3 log Pg + β4 log Pnc + β5 log Puc

Log (G/POP) = 1.373 * Log (Y) - 0.059 * Log (PG) - 0.127 * Log (PNC) - 0.119 * Log (PUC) - 12.342
On a R² = 95 ,79 %  : Le revenu réel disponible par tête (y), l’indice de prix de l’essence
(PG), l’indice des prix des nouvelles voitures (PNC) et l’indice des prix des voitures d’occasion (PUC)
expliquent à la hauteur de 95.79% la variation de la consommation totale d’essence (G/POP).

Commentaire :
N° des
Modèle R² R² ajusté
variables
log (G/Pop) =
2 0.913638 0.908404
β1 + β2 log Y + β3 log Pg + ε
log (G/Pop) =
3 0.955098 0.950889
β1 + β2 log Y + β3 log Pg + β4 log Pnc + ε
log (G/Pop) = β1 + β2 log Y + β3 log Pg + β4
4 0.957985 0.952564
log Pnc + β5 log Puc + ε

Le coefficient de détermination, ainsi que Le coefficient de détermination ajusté augmentent avec


chaque introduction d’une nouvelle variable explicative.
Donc, l’introduction de ces variables permet d’améliorer le modèle puisque 95,79% de la variation
de Y est expliqué par les quatre variables, contre 91,36% expliqué par deux variables seulement.

Question 6 : Calculer les coefficients de corrélation simple et les


coefficients de corrélation partielle de la variable log(G/Pop) avec les
variables explicatives du troisième modèle.

Corrélation simple :

LOG_G_SUR_ LOGY LOGPG LOGPNC LOGPUC


POP
LOG_G_SUR_ 1 0.89594479 0.667881958 0.657210805 0.684861554
POP
LOGY 0.8959447 1 0.904210594 0.91061050 0.926174368
LOGPG 0.66788195 0.9042105 1 0.954771604 0.9543365
LOGPNC 0.65721080 0.9106105 0.954771604 1 0.99254517
LOGPUC 0.6848615 0.9261743 0.9543365 0.992545174 1
Question 7 : Tester l'hypothèse d'égalité à 0 des paramètres des
variables log Pnc et log Puc dans le troisième modèle (H 0 : β4 = β5 =
0).

Modèle 3 : log (G/Pop) = β1 + β2 log Y + β3 log Pg + β4 log Pnc + β5 log Puc +ei

Nous pouvons tout d’abord appliquer le test de Fisher afin de tester la signification
globale de la régression à quatre variables log Y ; log Pg ; log Pnc ; log Puc :

Fc= R²/4 / (1-R²)/(36-4-1) = 176.7080

Fth (5% ; 4 ; 31) = 2,67

Nous rejetons l’hypothèse H0 de nullité de tous les coefficients, la régression est


globalement significative.

Test d’ajout de variable  :

Etape 1 : MCO sur le modèle initial (total)

S.E. of regression 0.033038


Sum squared resid 0.033837
R-squared 0.957985

SCR : ∑ ei² , or σ ² =
∑ ei² / n-2.
D’ou : (n-2) * σε² = 34*(0.033038)2 = 0,0371113

SCT : SCR / (1-R²) = 0,0371113/ 1- 0.9957985 = 0,883286921

Alors SCE = SCT – SCR = 0,883286921 - 0,0371113 = 0,846175621

Etape 2 : Faire le calcul des sommes pour le modèle à deux variables (modèle
réduit) :

Dependent Variable: LN GPOP


Method: Least Squares
Date: 02/19/19 Time: 12:08
Sample: 1960 1995
Included observations: 36

Variable Coefficient Std. Error t-Statistic Prob.  

LN Y 1.185840 0.088717 13.36661 0.0000


LN PG -0.195771 0.030071 -6.510346 0.0000
C -10.67585 0.790046 -13.51294 0.0000

R-squared 0.913638    Mean dependent var -0.003709


Adjusted R-squared 0.908404    S.D. dependent var 0.151691
S.E. of regression 0.045909    Akaike info criterion -3.244662
Sum squared resid 0.069552    Schwarz criterion -3.112702
Log likelihood 61.40391    Hannan-Quinn criter. -3.198604
F-statistic 174.5574    Durbin-Watson stat 0.172878
Prob(F-statistic) 0.000000
On à : SCR : ∑ e ² , or σ² = ∑ e ² / n-2.
i i

D’ou : SCR = (n-2) * σε ² = 34 * (0.045909)2 = 0,07165963

SCT = SCR / (1-R²) = 0,07165963/ 1- 0.913638 = 0,829758806

Alors: SCE = SCT – SCR = 0,829758806 - 0,07165963 = 0,758099176

Etape 3 : Le test d’hypothèse est le suivant 

H0 : β4 = β5 = 0

H1 : il existe au moins un des deux coefficients non nul β4 ou β5

(sce−sc e ' )/(k−k ' ) (0,846175621−0,758099176) /(4−2)


Fc = = = 36,7862322.
scr/(n−k−1) (0,0371113)/(36−4−1)

F théorique = F (5%;2;31) = 3,30481725

Puisque Fc > F théorique. Conclusion, le rejet de H0 au profit de H1, li existe au moins


l’un des deux coefficients non nul. Donc l’influence des deux paramètres b4 et b5 est à
prendre en compte.

Le 3ème modèle compte quatre variables qui ont chacune un apport marginal de
contribution à l’explication de la variable endogène. Et donc il y a une réelle différence
entre le modèle réduit et celui initial dans la mesure où le modèle totale à une
significativité globale confirmé par le test de Fisher.
IV. Validation
TEST D’AUTOCORRELATION DES ERREURS
Modèle 3 : log (G/Pop) = β1 + β2 log Y + β3 log Pg + β4 log Pnc + β5 log Puc +ei

On pose les hypothèses :

H0 : ρ1 = ρ2 = ρ3 = ρ4 = 0 (Absence d’autocorrelation)
H1 : ρ # 0 (Presence d’autocorrelation)

Dependent Variable: LOG_G_SUR_POP


Method: Least Squares
Date: 02/17/19 Time: 19:15
Sample: 1960 1995
Included observations: 36

Variable Coefficient Std. Error t-Statistic Prob.  

C -12.34184 0.674895 -18.28706 0.0000


LOGY 1.373399 0.075628 18.16001 0.0000
LOGPG -0.059095 0.032485 -1.819154 0.0786
LOGPNC -0.126797 0.126994 -0.998450 0.3258
LOGPUC -0.118708 0.081337 -1.459463 0.1545

R-squared 0.957985    Mean dependent var -0.003709


Adjusted R-squared 0.952564    S.D. dependent var 0.151691
S.E. of regression 0.033038    Akaike info criterion -3.854066
Sum squared resid 0.033837    Schwarz criterion -3.634133
Log likelihood 74.37320    Hannan-Quinn criter. -3.777304
F-statistic 176.7080    Durbin-Watson stat 0.604698
Prob(F-statistic) 0.000000

On compare DW avec d1 et d2:

D’après E-views : DW = 0,604

D’après la table de DW pour K=4 et n=36

d1=0,97

d2=1,68

On constate que DW < d1 , donc on accepte H₁ selon laquelle les erreurs sont auto-corrélées entre
elles.
Question 8 : Teste de la stabilité structurelle (Chow, avec date de
rupture : 1975)

Chow Breakpoint Test: 1975 


Null Hypothesis: No breaks at specified breakpoints
Varying regressors: All equation variables
Equation Sample: 1960 1995

F-statistic 22.67332 Prob. F(5,26) 0.0000


Log likelihood ratio 60.44441 Prob. Chi-Square(5) 0.0000
Wald Statistic  113.3666 Prob. Chi-Square(5) 0.0000

Fth (5% ;5 ;26) = 2,5867901


Fc  =22.67332

On a : Fc > Fth  l’hypothese H0 est rejetée, effectivement les coefficients ne sont pas
stables sur l’ensemble de la période 1960-1995.

Ce changement dans les comportements de la consommation de l’essence peut être due


aux la pénurie du gasoil qui commençait en 1970 (la choque pétrolière de 1971) et qui
s’étalait durant la période qui suit.
Cette pénurie du gasoil, confrontée à la forte demande, freine la consommation selon
leurs courbes de besoin, ce qui explique la diminution de l’effet de l’augmentation du
revenu réel :
De 1960 à 1995 : Log(G/Pop) = -6.049 + 0.663 * LOG(Y)
De 1960 à 1975 : Log(G/Pop) = -10.373 + 1.150 * LOG(Y)
De 1975 à 1995 : Log(G/Pop) = -2.035 + 0.228 * LOG(Y)

Question 9 : Tester la stabilité des coefficients avec le test du


CUSUM, commenter les résultats.
Test du CUSUM : ce test permet d’étudier la stabilité du modèle estimé au cours du
temps, il existe deux versions du test :

 le CUSUM fondé sur la somme cumulée des résidus récursifs


 le CUSUM SQ fondé sur la somme cumulée du carré des résidus récursifs.

On appelle régression récursive la procédure qui consiste à estimer une succession de


régression en augmentant progressivement le nombre d’observations. On estime
progressivement en ajoutant l’observation suivante et on re-estime ainsi de suite...in
fine, jusqu’à l’incorporation des observations jusqu’à n.

Le but de ces tests est de détecter les instabilités structurelles des équations de
régression au cours du temps. D’apres les tests de stabilité par la régression récursive, il
faut étudier l’évolution au cours du temps de l’erreur de prévision normalisée.
0
2
0
1
0
0
-1
0
-2
0
-3
0
-4
Le CUSUM n’est pas à l’intérieur du corridor dans son intégralité. Ce test nous permet
6 6
8 7
0 7
2 7
4 C
6 S
7
U UM8 5
7 0 %
8 2 ig
8
S 4 ica
f8
n 6 ce
8
n 8 9
de se prononcer sur la non-stabilité de la relation. 0 2 9
9 4
V. Conclusion
Cette analyse, nous a montrer que la consommation totale du gasoil est positivement influencée par
le revenu réel disponible, et négativement par les prix des voitures (nouvelles et anciennes) et
l’indice du prix.

D’après le test de Durbin-Watson, on a trouvé une autocorrélation entre les erreurs, ce qui signifie
qu’il y a d’autres variables qui peuvent influencer la consommation du gasoil.

Et, d’après le teste de Chow, on a trouvé que la structure n’est pas stables durant toute la période
1960-1995.