Académique Documents
Professionnel Documents
Culture Documents
L’équation de la moyenne des prix des matières premières et la croissance économique est
illustré comme suit :
Dans notre analyse, le vecteur yt inclut la croissance et la variation des prix des matières
premières. Suivant, Engle et Kroner (1995), la variance conditionnelle Ht est modelée comme un
GARCH bivarié :
Ԑt= Ht1/2 ut ut~iid N(0,I) où ω est N2*1, αJ, βJ sont N2*N2 et ht= vec(Ht). On peut réécrire la
fonction de variance comme suit:
Diag (ht)= ω+ j diag( Ԑt-j, έt-j)+ i diag(Ht-i) (3)
Diag est l'operateur qui extrait la diagonale de la matrice carré. Comme Elder et Serletis (2010),
on suppose que la variance conditionnelle de y i,t dépend seulement de son erreur carré passé et de
son variance conditionnelle passé. Dans, l'analyse univarié, on utilise GARCH(1,1) alors que les
équations (2) et (3) sont modelés d'un GARCH bivarié in mean VAR et peuvent être estimé par le
maximum de vraisemblance complète.
1- Données et échantillon :
Cette analyse utilise des données mensuelles de taux de croissance de la production qui est indexé
ici par l'indice de production industrielle non durable de la fabrication, le taux de l'inflation
représenté par l'indice de prix de consommation, l'indice de prix des matières premières
énergétiques et l'indice des prix des matières premières non énergétiques.
La période d'étude varie d'un pays à un autre selon la disponibilité des données. Alors que les
indices de prix sont obtenus de la banque mondiale du période 1992-2016. Notre échantillon est
constituée de 10 pays MENA qui sont Algerie, Iran, Iraq, Koweit, Lybie, Oman, Qatar, Arabie
Saoudite, Tunisie, et Emirats arabes unis, en vertu de la disponibilité des données seulement pour
ces pays MENA.
Les valeurs de kurtosis pour tous les séries sont supérieurs à 3 ce qui engendrent qu’elles sont
supérieures à la normale. Pour conclure, on peut dire que les valeurs de skewness et kurtosis
pour toutes les séries montrent que la distribution est très longue et elle n'est pas symétrique.
De même le test de Jarques Bera indique que toutes les séries sont non normales.
Les deux séries des prix rejettent l'hypothèse nulle donc ces séries présentent un effet Arch.
Tableau 3 : statistiques descriptives et tests préliminaires diagnostiques des séries des
prix
vars moy med Ecart max min skew kurt Jarques Arch(8) Arch(12)
type Bera
Prix des matières 0.3014 1.1279 6.8854 16.4950 -26.9353 -0.8011 4.3872 55.7706 12.9040 9.2358
premières
(0.0000) (0.0000) (0.0000)
énergétiques
Prix des matières 0.1283 0.0473 2.5971 8.2468 -16.8968 -0.8122 -8.8569 477.1769 6.5046 4.2242
premières non
(0.0000) (0.0000) (0.0000)
énergétiques
B- Test de stationnarité :
On va noter la production industrielle non durable de la fabrication, l'inflation, prix des matières
premières énergétiques et les prix des matières premières non énergétiques comme suit : yt, ,ӆt,
ecpt, necpt. Ils sont calculés comme suit pour garantir la stationnarité :
Yt= ln(yt/yt-1)*100
Ӆt= ln(ӆt/ӆt-1)*100
Ecpt= ln(ecpt/ecpt-1)*100
Necpt= ln(necpt/necpt-1)*100
On va étudier ici la stationnarité des nos variables d'intérêt en appliquant le test d'Augmented
Dickey Fuller (1979, 1981) (ADF test) et le test de Philipps Perron (1988) (PP test). Les résultats
d'estimation sont présentés dans les tableaux 4, 5 et 6 pour toutes les variables à niveau et dans
les deux cas avec constante et avec constante et en tendance. Ces résultats montrent que
l'hypothèse nulle de la racine unique est rejetée dans tous les cas avec les deux tests ADF et PP.
Alors on peut conclure que toutes les séries sont stationnaires à niveau.
pays ADF PP
CONSTANTE CONSTANTE ET CONSTANTE CONSTANTE
TENDANCE TENDANCE
*** *** ***
Algerie 35.183 35.157 -91.101 -91.0560***
pays
CONSTANTE CONSTANTE CONSTANTE CONSTANTE TENDANCE
TENDANCE
Tableau 6 : test de stationnarité des prix des matières premières énergétiques et non énergétiques
ADF PP
vars
CONSTANTE CONSTANTE CONSTANTE CONSTANTE TENDANCE
TENDANCE
2- l'analyse univarié :
Plusieurs travaux économiques ont étudié les effets de l'incertitude sur la croissance économique .
Certains économistes ont utilisé le moyen mobile de l'écart type pour mesurer la volatilité. Par
contre, d'autres ont procédé aux familles des modèles ARCH et GARCH. Les modèles ARCH
sont familiarisés par Engle (1982) et généralisés aux modèles GARCH par Bollerslev (1987) et
Taylor (1979). Ces modèles sont bien utilisés pour mesurer la volatilité des séries temporelles
financières macroéconomiques.
Dans cette partie, on va utiliser la spécification GARCH (1,1) pour décrire la volatilité des prix
des matières premières. Plus précisément, on va procéder au modèle univarié simple comme suit :
Um1, um2, um3 désignent les modèles univariés 1,2 et 3, σ 2ӆ,t ( volatilité GARCH) est la variance
conditionnelle de l'inflation qui est estimé du modèle GARCH, σ 2ec,t, σ2nec,t sont les variances
conditionnelles de la variation des prix des matières premières énergétiques et la variation des
matières premières non énergétiques respectivement.
Les résultats d'estimation des trois modèles sont présentés dans les tableaux qui suivent.
Friedman (1977) insiste que l'incertitude de l'inflation diminue la croissance de la production par
ce qu'elle décourage les contrats de salaire de long terme et d'autres contrats économiques liés à
l'inflation. Alors, on attend un signe négatif dans nos estimations.
Tableau 7 : Résultats d'estimation du modèle univarié : Algérie (Janvier 1974- Novembre
2016)
Modèle2 1.3502 -0.1774 -3.0975 -9.1461 -4.6207 -2.1452 -2.9891 0.3866 5.8671
Modèle3 0.8801 -0.2752 -2.5517 -9.2026 -4.1787 -2.1635 -2.9544 0.4045 5.8564
Tableau8 : Résultats d'estimation du modèle univarié : Iran (Janvier 1970- Décembre 2016)
β0 β1 β2 β3 ɸ1 ɸ2 ɸ3 ɸ4 R2 AIC
Modèle1 0.2050 -0.2375 -10.5837 -2.3614 -0.6594 -2.4278 -0.1337 6.9712
Modèle2 0.6938 -0.3380 -0.7019 -10.0012 -1.3514 0.5851 -1.3205 0.2981 5.8428
Modèle3 1.3057 -0.4911 -1.4818 -10.6075 -2.0508 1.2534 -0.7958 0.2991 5.8202
Tableau 9 : Résultats d'estimation du modèle univarié : Iraq (Janvier 2007- Décembre 2015)
β0 β1 β2 β3 ɸ1 ɸ2 ɸ3 ɸ4 R2 AIC
Modèle2 1.8748 -0.2720 -0.7221 -6.7862 -3.1614 -1.3374 -1.0837 0.3535 6.4992
Modèle3 1.7205 -0.4499 -0.0720 -6.6335 -2.9537 -1.2206 -1.0666 0.3485 6.5035
Modèle3 0.0478 0.6303 13.449 0.4035 3.3992 5.6676 1.5543 0.6179 0.3693
(0.827)
(0.960) (0.097) (0.525) (0.413) (0.684) (0.4597) (0.7607) (0.9707)
Tableau 10 : Résultats d'estimation du modèle univarié : Koweit ( Janvier 1973- Décembre
2016)
β0 β1 β2 β3 ɸ1 ɸ2 ɸ3 ɸ4 R2 AIC
Modèle3 0.0070 4.8600 33.895 1.9131 4.1180 7.6822 73.4054 1.1243 5.0750
(0.933)
(0.302) (0.000) (0.167) (0.390) (0.465) (0.0000) (0.3466) (0.0000)
Tableau 11 : Résultats d'estimation du modèle univarié : Lybie ( Janvier 1970- Mai 2014)
β0 β1 β2 β3 ɸ1 ɸ2 ɸ3 ɸ4 R2 AIC
Modèle2 1.2930 1.6998 -3.5526 -16.7298 -4.3994 -2.5572 -0.0629 -1.4229 6.7510
Modèle3 (0.035) 8.8791 13.181 2.9801 4.7745 11.993 370.2753 1.3034 1.7351
5.2874
(0.021)
Tableau 12 : Résultats d'estimation du modèle univarié : Oman ( Janvier 2001- Octobre
2016)
β0 β1 β2 β3 ɸ1 ɸ2 ɸ3 ɸ4 R2 AIC
Modèle3 0.7834 4.4658 31.867 0.0261 1.5360 2.9274 59.0259 0.3142 4.5011
(0.376)
(0.347) (0.000) (0.872) (0.820) (0.939) (0.0000) (0.9599) (0.0000)
β0 β1 β2 β3 ɸ1 ɸ2 ɸ3 ɸ4 R2 AIC
Modèle2 1.2399 0.8320 -2.8623 -12.6439 -4.8678 -1.9174 -2.8492 0.4912 5.7641
Modèle3 1.2405 -0.0719 -3.1920 -11.2296 -4.4183 -1.9834 -3.3277 0.4901 5.7674
(0.2148) (0.9426) (0.0014) (0.0000) (0.0000) (0.0473) (0.0009)
Modèle3 0.3313 0.4974 8.7871 0.0673 0.6874 3.8154 44.6094 0.5039 1.9135
(0.565)
(0.974) (0.361) (0.795) (0.953) (0.873) (0.0000) (0.8519) (0.0373)
Tableau 14 : Résultats d'estimation du modèle univarié : Arabie Saoudite (Février 1980- Décembre
2016)
β0 β1 β2 β3 ɸ1 ɸ2 ɸ3 ɸ4 R2 AIC
Modèle3 2.1559 7.4918 48.987 4.6727 9.3984 15.362 47.9418 1.9455 7.9343
(0.142)
(0.112) (0.000) (0.031) (0.052) (0.052) (0.0000) (0.0532) (0.0000)
Tableau 15 : Résultats d'estimation du modèle univarié : Tunisie (Juillet 1987- Aout 2005)
β0 β1 β2 β3 ɸ1 ɸ2 ɸ3 ɸ4 R2 AIC
Modèle2 0.5877 -1.2379 0.1685 -6.0660 -2.5428 -2.4001 -2.9451 0.2343 6.3006
Modèle3 -1.8114 0.6999 2.1029 -6.7747 -3.0501 -2.2338 -2.2760 0.2473 6.2886
Modèle3 (0.985) 1.3691 3.3098 0.2413 2.6186 5.0730 1.3748 0.5396 1.1683
0.0453
(0.832)
Tableau 16 : Résultats d'estimation du modèle univarié : Emirats Arabes (Janvier 2007 - Aout 2016)
β0 β1 β2 β3 ɸ1 ɸ2 ɸ3 ɸ4 R2 AIC
Modèle3 1.6249 5.7921 10.908 1.1278 4.3689 10.577 6.7799 1.8091 3.3868
(0.202)
(0.215) (0.207) (0.288) (0.358) (0.227) (0.0337) (0.0843) (0.0004)
Les résultats de l'estimation du modèle 1 montrent que seulement dans quatre pays parmi dix , la
volatilité de l'inflation a un effet négatif sur la croissance économique et le coefficient estimé est
statistiquement significatif seulement au Koweit. Alors, l'incertitude de l'inflation dans la plupart
des pays n'a pas un effet statistique significatif sur la croissance économique.
Les résultats d'estimation du modèle 3 sont similaires à ceux du modèle 2. Huit pays ont un
coefficient négatif de la volatilité des prix des matières premières non énergétiques et il est
statistiquement significatif dans l'Algérie, Koweit, Qatar, Lybie, Arabie Saoudite, Tunisie et
Emirats Arabes Unis. Il est intéressent de montrer que six pays MENA souffrent de l'incertitude
de la volatilité des prix des matières premières non énergétiques.
En conclusion, les résultats d'estimation du modèle univarié simple indiquent que la volatilité des
prix des matières premières a un effet négatif sur la croissance de la production et que la volatilité
des prix des matières premières énergétiques et non énergétiques compte beaucoup dans la
croissance économique. L'analyse multivarié confirme t-il ces résultats ou ils l'infirme ? C’est ce
qu'on va voir dans la section suivante.