Professeur BOUAZIZI Youssef

Ci-après un texte qui comporte une ébauche de correction. Ce sont des "éléments de correction". Cad
qu'il ne s'agit pas d'apprendre par cœur ce texte. Les idées développées servent d'exemple pour montrer
quel type de réflexions il fallait développer à chaque fois (Il ne s’agissait pas de tout écrire, pour avoir
une bonne note).
Vous savez que les questions posées diffèrent d'une session à l'autre (et d'une année à l'autre) ; il faut à
chaque fois montrer une capacité de réflexion et analyse (sur la base de quelques exemples).
-J’ai pris toutes les valeurs après la virgule pour avoir des résultats cohérents.
Question 1
En terme nominal, le PIB de cette économie a progressé de 137,60 à 158,50 ce qui représente une croissance
de 15,19%. Mais entre 2019 et 2018, le PIB a diminué de 12,14%.
Comme les produits sont hétérogènes, pour connaître le PIB en Dhs constants, nous ne pouvons pas ajouter
les unités de bien 1 avec celles des biens 2 et 3. Pour l’obtenir, nous devons utiliser un indice synthétique
des prix pour déflater le PIB en valeur. Nous utilisons l’indice de Törnqvist, sa formule est la suivante :
3
Pit
IPt/0 = ∏( × 100)0,5.(αit+αi0 )
Pi0
i=1
Pi0 .Qi0
Avec : αi0 = ∑3
i=1 Pi0 .Qi0

L’application numérique donne :

IP2018/2017 = 104,000,5.(0,36+0,39) × 90,510,5.(0,40+0,31) × 113,410,5.(0,24+0,29) = 101,29

IP2019/2017 = 102,000,5.(0,36+0,29) × 97,810,5.(0,40+0,28) × 92,680,5.(0,24+0,43) = 97,39

L’inflation a augmenté de 1,29% entre 2018 et 2017 puis elle a diminué de 3,85% entre 2019 et 2018. Les
PIB en dhs constants pour les années 2018 et 2019 sont respectivement 156,47 et 145,60.
Les variations en termes réels donne 13,72% et -0,07%, ces changements sont dus à l’élimination de l’effet
des prix.
Base de calcul :
Panier 𝐏𝐢𝟐𝟎𝟏𝟖 𝐏𝐢𝟐𝟎𝟏𝟗
des produits 𝐏𝐢𝟐𝟎𝟏𝟕 . 𝐐𝐢𝟐𝟎𝟏𝟕 𝐏𝐢𝟐𝟎𝟏𝟖 . 𝐐𝐢𝟐𝟎𝟏𝟖 𝐏𝟐𝟎𝟏𝟗 . 𝐐𝐢𝟐𝟎𝟏𝟗 𝛂𝐢𝟐𝟎𝟏𝟕 𝛂𝐢𝟐𝟎𝟏𝟖 𝛂𝐢𝟐𝟎𝟏𝟗 ( ) . 𝟏𝟎𝟎 ( ) . 𝟏𝟎𝟎
𝐏𝐢𝟐𝟎𝟏𝟕 𝐏𝐢𝟐𝟎𝟏𝟕
Bien 1 50,00 62,40 40,8 0,36 0,39 0,29 104,00 102,00
Bien 2 54,80 49,60 40,2 0,40 0,31 0,28 90,51 97,81
Bien 3 32,80 46,50 60,8 0,24 0,29 0,43 113,41 92,68
Total 137,60 158,50 141,80 1,00 1,00 1,00

Question 2
𝑎̂ 1,0230
Nous savons que le t de Student est : 𝜎̂ = 0,0728 = 14,05
̂
𝑎
 R² k.(tc )2 1.(14,05)2

Et nous savons aussi que : (t c )2 = k

1−R² nous tirons : R2 = n−k−1
k.(t )2
= 240−1−1
1.(14,05)2
= 0,45
1+ c 1+
n−k−1 n−k−1 240−1−1

Le coefficient de corrélation n’est que la racine carré du coefficient de détermination : r = √R² = 0,67
Le tableau d’ANOVA :
Somme des Degré de Carrés
Source de variation carrés liberté Moyens
x SCE=6,71* k=1 6,71
Résidu SCR=8,09 n-k-1=238 0,03
Total SCT=14,80 239
* car SCE = R2 × SCT = 14,80 × 0,45 = 6,71
6,71
Nous déduisons le Fisher calculé : Fc = 0,03 = 197,46

Question 3
L’une des hypothèses majeures du modèle linéaire de régression multiple est celle de l’absence de liaison
entre les variables exogènes. Cette hypothèse (absence de colinéarité) comporte deux dimensions :
-dimension mathématique : les vecteurs relatifs aux variables exogènes sont linéairement indépendants
(X i ≠ αX j avec α ∈ R).

-dimension financière ou économique : Il n’y a pas de variable redondante l’une par rapport à l’autre.
Nous pouvons illustrer ceci par un contre-exemple : à côté du revenu et d’autres variables explicatives, nous
pouvons introduire le patrimoine pour expliquer les dépenses en consommation Ci = f(… , R i , Pi , … ). Quand
on réunit les données sur le revenu (flux) et le patrimoine (stock), les deux variables vont se retrouver
hautement corrélées dans la mesure où les individus qui disposent d’un patrimoine élevé sont ceux qui
génèrent plus de revenu.
Le diagnostic de la colinéarité peut se faire avant l’estimation (en calculant la matrice des coefficients de
corrélation partiels entres les différentes variables exogènes) et post-estimation (en comparant le R² avec les
t de Student par exemple).
Les conséquences : Lorsqu’il s’agit d’un problème de colinéarité parfaite, on rencontrera un problème en
amont de l’estimation des paramètres. En effet, la matrice (X ′ X)−1 n’existera pas. En cas de tendance vers
la colinéarité, cela ne perturbera pas l’estimation mais nous allons obtenir des estimateurs erronés et des
tests de validation biaisés.
Les effets d’une forte colinéarité puissent être corrigés par différentes méthodes :
-Éliminer les séries explicatives susceptibles de représenter les mêmes phénomènes et donc d’être corrélées
entre elles. Il s’agit de reconsidérer la spécification.
-Incorporation d’informations complémentaires : utiliser des variables instrumentales.
-En augmentant la taille de l’échantillon ; cette technique n’est efficace que si l’ajout d’observations conduit
à une différence significative par rapport à celle figurant déjà dans la base. En d’autre terme, cette solution
est d’autant plus efficace si on augmente l’hétérogénéité de l’échantillon, sinon il y aura reconduction de la
multicolinéarité.
En reprenant notre exemple : lorsqu’on va augmenter la taille de l’échantillon des individus concernés, on
va augmenter l’hétérogénéité de ces derniers. Cela veut dire que si on a un échantillon d’individus qui
exercent une activité depuis quinze ans, ils vont avoir un revenu élevé et donc un patrimoine important. Or
si on augmente l’échantillon avec des individus qui exercent une activité que depuis trois ans, ils auront un
patrimoine faible, même s’ils touchent un revenu élevé. Donc la colinéarité entre les deux variables sera
atténuée.
Question 4
Lorsque le taux d’intérêt augmente de 1%, le taux d’emprunt diminue de 0,6645%, ce qui est conforme à
l’intuition financière. Par contre l’investissement dans les forages offshores impacte positivement, ce qui
est logique car l’investissement dans les forages « offshore » est très important.
Les variables exogènes retenues permettent d’expliquer 67% de la variabilité du taux d’emprunt d’une année
à l’autre. Il reste 33% qui n’est pas expliqué par le modèle.
Pour compléter cette analyse, nous recourons au test de Fisher, ce dernier est déduit de R² par la formule
suivante :
R²
Fc = k
(1 − R2 )
n−k−1
Avec p le nombre de paramètres à estimer.
Ce test permet de vérifier si l’ensemble des variables explicatives a une influence sur la variable dépendante
(le taux d’emprunt dans notre cas).
On pose : {H0 = α1 = α2 = 0
0,67
Fc = 2 = 14,21
1 − 0,67
17 − 3
Pour n=17 et k+1=3, le degré de liberté (ddl)=14 ; au seuil de 5%, la statistique de Fisher vaut : 3,74. En la
comparant avec celle calculée (14,21>3,74), on rejette l’hypothèse qui stipule que tous les coefficients sont
nuls. On peut dire ainsi que, selon l’échantillon, le modèle est globalement significatif.
Le test de Durbin et Watson permet de vérifier l’existence d’une autocorrélation des résidus. Pour n = 17, k
= 2, d1 = 1,06 et d2 = 1,76 (selon la table pour n = 17 et k = 2) le tableau de décision s’écrit donc :

d̂=0 1.06 1.76 2.24 2.94 4

Autocorrélation Doute Indépendance Doute Autocorrélation

positive négative

La valeur obtenue (0,98) atteste que les résidus sont auto corrélés positivement et donc le modèle est mal
spécifié. Entre autre, il n’y a un risque de sous-estimation des écart types des α̂i avec i=1,2 et en
conséquences les t de Student seront sur estimés (pas la peine de faire le test). Par conséquence, nous ne
pouvons pas utiliser le modèle pour faire les prévisions (estimer le taux d’autofinancement) car le modèle
n’est pas encore prêt à être utiliser (violation de l’hypothèse d’indépendance des erreurs).
Question 5
1-La méthode des moindres carrées ordinaires est défaillante dans le cas d’un modèle à variable endogène
qualitative binaire pour les raisons suivantes : 1-Les aléas Ut ne suivent pas la loi normale ; 2-Les résidus
ne sont pas homoscédastiques ce qui viole l’une des hypothèses des moindres carrées ordinaire ; 3-La
variable binaire prend deux modalités ou deux bornes (1 et 0) or que la régression par MCO donne des
estimations qui vont haut delà de ces bornes du fait de la linéarité de la méthode en question.
2-Revenez au cours.
3-Une variable polytomique ordonnée est une variable qui comporte plus de 2 modalités qui peuvent être
classées par un ordre croissant (ou décroissant) comme le niveau d’éducation. Par contre, une variable
polytomique non ordonnée est une variable à modalités qui ne peuvent pas être classés comme le groupe
socioprofessionnel du chef de ménage (cadré supérieur, cadre moyen/employé, ouvrier/manœuvre
agricole, artisan/ ouvrier qualifié et exploitant agricole). Afin d’introduire cette variable dans la
régression, il est nécessaire d’introduire autant de variables que de modalités. Pour pallier au problème de
la colinéarité, il faut laisser 4 modalités et supprimer une (qu’on va l’appeler « modalité de référence »)