Académique Documents
Professionnel Documents
Culture Documents
Lk,
Rédigé par :
ASSELOKA E. Amadou R.
DIAW Abdou Aziz
Elèves Ingénieurs Statisticiens Economiste
Sous l’encadrement de :
Mr. Fofana, enseignant à l’ENSAE de
Septembre 2020
Table of Contents
I. Modelisation Univariée ................................................................................................................................... 2
1 L’IPC dans l’UEMOA .......................................................................................................................................... 3
2 Stationnarisation de la chronique de l’IPC .............................................................................................. 4
2.1. Stationnarisation ...................................................................................................................................... 4
2.2. Tests de stationnarité ............................................................................................................................. 5
2.3. Examen de l’ACF et de la PACF et identification du modèle .................................................... 8
Convergence ............................................................................................................................................... 13
2.4. Estimation des paramètres ............................................................................................................... 13
2.5. Analyse des résidus : Blancheur des résidus.............................................................................. 14
Affectation résidus ................................................................................................................................... 14
Test de nullité des moyennes .............................................................................................................. 14
Test d’homoscédasticité des résidus ................................................................................................ 15
Non-autocorrélation des résidus........................................................................................................ 16
2.6. Choix du modèle avec les critères de choix ................................................................................ 16
2.7. Prévision de l’IPI ................................................................................................................................... 18
II. Modélisation multivariée ........................................................................................................................... 19
1. Familiatisation avec les données ........................................................................................................ 19
1.1. Choix des variables .......................................................................................................................... 19
1.2 Etude des évolutions ........................................................................................................................ 22
1.3 Etude de la saisonnalité .................................................................................................................. 23
1.4 Etude de la stationnarité ................................................................................................................ 24
2. Modélisation ............................................................................................................................................... 26
2.1 Choix de retard ................................................................................................................................... 26
2.2 Test de cointégration ....................................................................................................................... 27
2.3 Estimation SVEC ................................................................................................................................ 28
Conclusion............................................................................................................................................................. 31
Introduction
Dans un contexte où les économies deviennent de plus en plus interdépendantes, il parait difficile
pour les pays sous-développés de lutter efficacement et de manière durable contre l’inflation. En
effet, en dehors des politiques endogènes aux pays, l’inflation peut être importée des autres pays
par le biais de consommations de biens et services essentiellement importés ou fortement
dépendants des prix internationaux. L’inflation traduit l’évolution des prix dans l’économie. Elle
est calculée par le biais de l’indice de prix à la consommation qui est d’ailleurs le proxy
généralement utilisé dans l’étude de l’inflation.
Par ailleurs, la Réforme Institutionnelle de l'UMOA et de la BCEAO, entrée en vigueur le 1er avril
2010, a fixé un objectif explicite de stabilité des prix. Le cadre mis en œuvre est essentiellement
une définition de la stabilité des prix comme une variation annuelle de l'Indice Harmonisé des Prix
à la Consommation (IHPC) comprise entre un (1) et trois (3) pour cent.
Ainsi, l’inflation est un facteur central dans une économie et il est important de voir le cadre qui
régis son comportement. Généralement, l’étude des déterminants de l’inflation est effectué selon
2 approches : les fonctions de consommation et les agrégats monétaire et financier. Dans la
présente étude, il est proposé l’approche par les fonctions de consommation.
Cette étude se subdivise en deux parties. La première est la modélisation univariée de l’IPC de
janvier 1997 à juillet 2020. La seconde partie est axée sur l’analyse multivarié de l’IPC en fonction
des différents postes de consommation.
I. Modelisation Univariée
La p-value est inférieurs à 0.05 donc on rejette l’hypothèse qu’il n’existe pas de tendance. Nous
appliquerons donc le filtre 1-B pour enlever la tendance.
𝐻0 : 𝜆𝑘 = 0
{
𝐻1 : 𝜆𝑘 ≠ 0
Où les 𝜆𝑘 sont les paramètres de la régression.
Dans la table sous dessous, on peut remarquer que tous les paramètres 𝜆𝑘 sont significatifs, donc
on retient qu’il y a une saisonnalité annuelle pour la variable en question. Ceci étant, nous allons
désaisonnaliser la série grâce au filtre 1 − 𝐵12.
## statistic p-value
## t_1 -1.071037 0.6844959
## t_2 -4.560307 0.0000000
## F_3:4 26.619796 0.0000000
## F_5:6 22.723984 0.0000000
## F_7:8 23.648448 0.0000000
## F_9:10 31.850849 0.0000000
## F_11:12 19.235864 0.0000000
## F_2:12 357.331080 0.0000000
## F_1:12 344.920714 0.0000000
##
## Phillips-Perron Unit Root Test
##
## data: data
## Dickey-Fuller = -13.895, Truncation lag parameter = 4, p-value = 0.01
Les deux tests précédents confirment l’absence d’une racine unité dans notre chronique (IPI), donc
la chronique obtenue après désaisonnalisation est stationnaire. Confirmons ce premier résultat par
le test de stationnarité de KPSS qui suppose quant à lui la stationnarité en hypothèse nulle.
##
## KPSS Test for Level Stationarity
##
## data: data
## KPSS Level = 0.025562, Truncation lag parameter = 4, p-value = 0.1
Au regard de la p − value > 0.05, on ne rejette pas l’hypothèse selon laquelle la série est
stationnaire. Le test de KPSS confirme la stationnarité de la chronique.
## [1] 0
MODELE2$fit$code
## [1] 0
MODELE3$fit$code
## [1] 0
MODELE4$fit$code
## [1] 0
MODELE5$fit$code
## [1] 0
MODELE6$fit$code
## [1] 0
MODELE7$fit$code
## [1] 0
MODELE8$fit$code
## [1] 0
## logical(0)
abs(MODELE2$ttable[,1])>1.96*MODELE2$ttable[,2]
## [1] TRUE
abs(MODELE3$ttable[,1])>1.96*MODELE3$ttable[,2]
## [1] TRUE
## sar1 sma1
## FALSE TRUE
abs(MODELE5$ttable[,1])>1.96*MODELE5$ttable[,2]
## sar1 sar2
## TRUE TRUE
abs(MODELE6$ttable[,1])>1.96*MODELE6$ttable[,2] #enlev
abs(MODELE7$ttable[,1])>1.96*MODELE7$ttable[,2]
## sar1 sar2
## TRUE TRUE
abs(MODELE8$ttable[,1])>1.96*MODELE8$ttable[,2] #enlever
## [1] TRUE
## [1] TRUE
## [1] TRUE
Après avoir fait le test sur tous les 4 modèles qui avaient passées l’étape de la convergence et de
la significativité des paramètres, il semble que tous les modèles ont leurs résidus de moyennes
significativement nulles. Dès lors passons au test de la deuxième hypothèse qui l’homoscédasticité
des erreurs.
##
## White Neural Network Test
##
## data: RESIDU.MODELE3
## X-squared = 1.6561, df = 2, p-value = 0.4369
##
## White Neural Network Test
##
## data: RESIDU.MODELE5
## X-squared = 3.4576, df = 2, p-value = 0.1775
##
## White Neural Network Test
##
## data: RESIDU.MODELE7
## X-squared = 5.3004, df = 2, p-value = 0.07064
Après avoir fait le test sur tous les 4 modèles qui avaient passées l’étape précédente,il semble que
tous les modèles ont leurs résidus homoscédastiques. Il reste donc de vérifier la non-
autocorrélation des erreurs.
Non-autocorrélation des résidus
Dans ce point nous allons vérifier si les résidus des différents modèles sélectionnés sont non
autocorrélés. Pour ce faire nous allons utiliser le test de Box-Pierce. Le test Box-Pierce est utilisé
pour vérifier s’il existe une autocorrélation dans une série temporelle.
##
## Box-Pierce test
##
## data: RESIDU.MODELE2
## X-squared = 149.66, df = 82, p-value = 7.448e-06
##
## Box-Pierce test
##
## data: RESIDU.MODELE3
## X-squared = 57.385, df = 83, p-value = 0.9856
##
## Box-Pierce test
##
## data: RESIDU.MODELE5
## X-squared = 113.34, df = 83, p-value = 0.01512
##
## Box-Pierce test
##
## data: RESIDU.MODELE7
## X-squared = 77.802, df = 83, p-value = 0.6406
Le test de Box-Pierce montre des aurocorrélations pour tous les modèles sauf pour les modèles
SARIMA(0,1,0)(1,1,0)12, SARIMA(0,1,0)(2,1,0)12. On continuera avec eux en se basant
maintenant sur les critères de choix.
Les trois axes principaux restituent 97% de l’information totale dans les variables explicatives. On
peut distinguer, à travers le premier et deuxième nuage de la figure ci-dessous, trois périodes. Ces
trois périodes peuvent renvoyer à des changements de structure de préférence dans les fonctions
de dépenses en biens et services.
En faisant abstraction des aberrations, c’est à dire des périodes qui glissent dans nos groupes
latents, nous constituons trois groupes à partir du premier nuage (axes 1 et 2).
• Le premier groupe concerne les périodes de 1997 à 2001, qui correspond à une période de
famine dans la zone sahélo-sahélienne et la dévaluation du FCFA.
• La deuxième phase concerne les périodes de 2002 à 2007. Ceci peut s’assimiler à la sortie
de la période de famine et l’avant changement de base des indices de prix.
• La troisième phase peut s’assimiler à l’après changement Ceci peut s’expliquer par la
nouvelle loi de 2007 sur le changement de base des indices de prix.
Ce même découpage ressort dans le deuxième nuage (axes 1 et 2). Ainsi, nous nous concentrons
sur les variables contribuantes le plus sur ces axes. On remarquerait que le premier axe représente
les fonctions de dépenses de première nécessité, le seconde axe représente les fonctions de
dépenses de seconde nécessité comme la communication et l’habillement et le troisième axe
représente les fonctions de dépenses en biens et services de luxe comme le loisir et la boisson. Les
trois variables les plus contributives sur le premier axe sont retenues sont: Indice des prix de la
fonction Hotels et restaurant, Indice des prix de la fonction Enseignement , Indice des prix de la
fonction logement . Aussi, on retient les 2 premières des axes 2 et 3: Indice des prix de la fonction
Communication et Indice des prix de la fonction Loisirs.
Ce résultat concorde bien avec les variables sélectionnées par l’ANSD dans son document sur "
les déterminants de l’inflation : approche par les fonctions de consommation “.
Struture des fonctions dans le temps et contribution des variables
b. Inférence bayésienne
Pour appuyer les choix des variables, on estime une inférence bayésienne qui donne les poids des
différentes variables. Ces poids représentent la probabilité que la présence de la variable rende le
modèle meilleur.
Ainsi, cette méthode donne des variables différentes de la méthode précédente. Cependant, étant
donné que certaines des meilleures variables sont corrélées entre elles, on privilégie la méthode
précédente. Ceci est judicieux car on prend en compte les autres dimensions des postes des
dépenses.
Les méthodes de sélection ont ainsi menées à une sélection de 5 variables explicatives en plus de
celle dépendante. Soit 6 variables pour aboutir à la modélisation multivariée.
Aussi, nous appliquons la fonction logarithmique sur toutes les variables afin de pouvoir
interpréter les résultats en termes d’élasticité des prix. On note que cette transformation n’affecte
pas remarquablement la distribution et la tendance des variables (voir figure).
La lecture du graphique ci-dessous indique, d’abord, que les variables indices de prix des fonctions
enseignement, logement et hotels et restaurants sont celles qui soutiennent en grande partie
l’évolution de l’IPC depuis 1997 jusqu’en 2020. Ensuite, la fonction de communication est celle
qui varie le plus. Cependant, cette forte variation n’atteint pas presque pas l’évolution de l’IPC. La
fonction de communication n’a commencé à s’ajuster à l’IPC qu’à partir de 2010. Ce résultat est
en grande partie expliqué par l’avènement des téléphones portables qui sont devenus très
accessibles à partir des années 2010. Aussi, l’indice des prix de la fonction loisir n’a commencé à
s’ajuster à l’IPC qu’au debut des années 2010.
Les 2 tests réalisés indiquent que seules les variables de fonction d’enseignement et celle de
logements sont saisonniers avec la variable IPC. Il a déjà été établi que la variable IPC est
saisonnière avec une fréquence de 12 mois. Pour estimer l’ordre de saisonnalité des 2 variables,
on utilise le test de HEGY.
Tests de saisonnalité des séries à niveau
Friedman Kruskall-Wallis
test test
IPC TRUE TRUE
IP_restau FALSE FALSE
IP_ensei TRUE TRUE
IP_loge TRUE TRUE
IP_com FALSE FALSE
IP_Loisir FALSE FALSE
2. Modélisation
Cette partie est consacrée à l’estimation du modèle multivarié. Pour ce faire, on détermine,
d’abord, l’ordre p du modèle VAR. Ensuite, on effectue un teste de cointégration pour statuer sur
l’existence de causalité multidirectionnelle. Enfin, on éffectue l’estimation avec le modèle qui
convient le mieux.
Le tableau ci-dessous montre que les ordres 3 et 9 sont les optimaux de 1 à 10. Il aurait été
intéressant de voir les résidus duquel remplie les conditions de normalité, de non autoccrélation
afin de confirmer que les innovations sont des bruits blancs. Compte tenu de la lourdeur de calcul
et des interprétation, on retient l’odre 3.
Le test de Johansen nous indique qu’il existe une relation de causalité d’ordre 1.
##
## ######################
## # Johansen-Procedure #
## ######################
##
## Test type: maximal eigenvalue statistic (lambda max) , with linear trend
##
## Eigenvalues (lambda):
## [1] 0.13165576 0.05112894 0.02264611 0.01390298
##
## Values of teststatistic and critical values of test:
##
## test 10pct 5pct 1pct
## r <= 3 | 3.92 6.50 8.18 11.65
## r <= 2 | 6.41 12.91 14.90 19.19
## r <= 1 | 14.70 18.90 21.07 25.75
## r = 0 | 39.53 24.78 27.14 32.14
##
## Eigenvectors, normalised to first column:
## (These are the cointegration relations)
##
## IPC.l3 IP_ensei.l3 IP_loge.l3 IP_com.l3
## IPC.l3 1.00000000 1.0000000 1.000000 1.000000
## IP_ensei.l3 0.04124261 -2.9697154 1.742823 -2.829364
## IP_loge.l3 -1.12038369 2.6140792 1.461794 1.055894
## IP_com.l3 0.06229976 -0.1177397 -1.783190 -2.380544
##
## Weights W:
## (This is the loading matrix)
##
## IPC.l3 IP_ensei.l3 IP_loge.l3 IP_com.l3
## IPC.d -0.08647655 -0.001656299 -0.0009221341 -1.991889e-04
## IP_ensei.d 0.03806538 0.015087820 -0.0006446054 3.052785e-04
## IP_loge.d 0.11672000 -0.007513264 -0.0014884364 -5.300758e-05
## IP_com.d -0.39050385 -0.026113550 -0.0011838694 5.334802e-03
Comme les séries sont toutes intégrées d’ordre 1, on peut songer au model à correction d’erreur
(MCE ou ECM). EN plus de cela, le test de Johansen nous a rélevé une causalité d’ordre 1, ceci
étant, on choisie finalement un modèle SVEC (structural vector errors corrections).
NB: pour l’estimation du modèle, les variables IP_loisi et IP_restaurant afin de pouvoir rendre
le modèle identifiable.
NB : les éléments nuls sont les paramètres contraints pour la procédure de Johansen.