ECONOMETRIE

9  2 tests de normalité des résidus jarque bera

H0 : les résidus suit une loi normale de de paramètre m et Sigma (l’ecartype)
H1 : les résidus ne suivent pas une loi normale de paramètre m et sigma
Règle de décision : Si après test la probabilité est supérieur au seuil 5% On ne rejet pas H0

 Pour faire test de normalité des résidus jarque berra

On estime le model par la méthode de moindre carre ordinaire
Pour on peut utiliser la commande raccourcie : ls log(inv) c log(pib) txint puis on clique sur
Entrée
Apres clique sur view (tableau des moindre carré ordinaire) ensuit Resudual
diagnostics puis histogramme normality test puis entre
On regarde la stat de jarque et berra et la probabilité assortie du test
SI La probabilité assortie est supérieur a 0,05% donc on ne rejet pas l’hypothèse null H0
Donc les résidus du model suivent une loi normale

9 _3 test hetéroscedasticité des modèles

TEST DE WHITE

HO : les erreurs sont homoscedastique même variance

H1 : les erreurs sont heteroscedastique variances différente
Règle de décision : même règle de décision
 Pour faire le test de WHITE après l’estimation par la méthode moindre carré
ordinaire
On clique sur estimate ()
Pour le test hetero de erreurs de WHITE après estimation par la méthode des moindre car
ordinaire
Sur view puis redual diagnostics ensuit heteroscedaticity test
On choisit WHITE (white avec terme croisé)
On regarde la prob assortie de R square : si prob est inferieur a 0 ,05% (alpha) Donc
on rejet H0
Conclusion : les erreur du model son heteroscédastique ( cad que les test moindre carré ne
sont pas optimale)
TEST WHITE sans terme croise (même chose mais décoche terme croisé)
Pour no crois terme si la prob est supérieur a alpha donc on ne rejet pas H0
Conclusion les erreurs du model sont Homoscédastique

9_ 3 1 test de ARCH
Même chose que test de white même hypothèse

 Pour faire le test de ARCH après l’estimation par la méthode du

moindre carré ordinaire (MCO)
On clique sur estimate
Sur view puis residual diagnostics ensuit heteroscedaticity test
On choisit ARCH ( pour le number of lags on prend 3 pour les 3 variables) puis ok
Apres test si le Square est supérieur a Alpha on ne rejet pas H0
Conclusion : les erreurs du model sont homoscédastique

9_4 Test de Breuch – Godefroy

H0 : les erreurs ne sont pas corrèles ro=0
H1 : les erreurs sont corrèles
Même règle de décision
 Pour ce test on doit estimer le model par la moindre carrée ordinaire
Apres estimation on vas sur view puis résiduel diagnostic et serial corrélation lm test
Degré de corrélation on choisit 1 (pour le TP)

Si la Prob R square est inferieur a Alpha (0,05%) donc on rejet H0

Conclusion  : les erreurs du model sont corrélés d’ordre 1

9_5 Test de stabilité des coefficients du modèle

9_5 1 Test de rupture de chow
On choisit une année exemple 2000 comme point de rupture
H0 : le modèle est stable
H1 : le modèle n’est pas stable
Même règle de décision
 Pour faire le test de show après estimation par la méthode MCO
ON Va sur view stability test show point break test
On entre la date de rupture puis ok
On regarde la prob F stat
Si après test la prob F STAT est supérieur a Alpha donc on ne rejet pas H0
Conclusion le model est stable de ….. a 2000
9 5 1 test de CUSUM de Brown dutin et evans
Test la stabilité structurel du model
H0 : le model est structurellement stable
H1 : le n’est pas stuct stable
Règle de décision
Si la courbe de cusum ne coupe pas le corridor le model est structurellement stable
SI la courbe coupe le corridor le model est structurellement instable
 Pour faire le test apres estimation methode MCO
On va sur view stabilité diagnostic ensuit récursive estimat puis cusum test et OK

TEST DE CUSUM SQUARE (carré)

H0 : le model est ponctuellement stable ou conjonctullement stable
H1 : le model n’est pas ……

Règle de décision : si la courbe de cusum carre ne coupe pas le corridor le model est
ponctuellement stable

 Pour le test apres estimation par la méthode des MCO

ON CLIQUE
View stability diagnostics ensuit recursive estimate puis CUSUM OF SQAURE TEST

Pour trouver les prevision d’un variable ( ex : inv) par la MCO
 On clique surr Forecast ensuit on coche la variable a prevoir
 Ensuit focus name le nom de la variable ex : prev_inv puis OK
Pour trouver les previsions on click sur la serie prev_inv
 Fonction d’investissement
Le modele lineaire auteregressif
Cas 2

1 Estimation model autoregressif par MCO

 Pour estime le model on va sur QUICK puis estimat EQUATION
Ex pour les variable inv pib ….
On saisi log(inv) log(inv(-1)) log(pib) txint c

Apres estimation on
Log(inv-1)) = b chapeau 1 = 0,45
Log(pib) = beta chapeau 1 = 0 ,645
Txint = beta chapeau 2 = -0,047
C= beta chapeau 3 = -1,26 Sont les parametres estimé .

TEST d’hypothèses H0 : b=0 contre h1

Log(invt) = blog(invt) + Beta1log(pib) + Beta2TXNT + beta3 + epsilone0

H0 : b=0 le modèle n’est pas autorégressif

H1 : b diff de 0 le modèle est autorégressif

Règle de décision : si la prob est supérieur a alpha le seuil on rejet PAS H0

Apres estimation par la MCO la prob assortie du test lie log(inv(-1)) est égal a 0 DONC
inferieur a alpha le model est autorégressif ,

Interprétation des élasticités de court terme et de long terme

Elasticité de court de terme

beta1 = σloginv /σlogpib est le élasticité de court terme des inv par rapport au pib
son estimation B chapeau1 Est egal 0645 signifie une augmentions de 10% du pib au
cours terme entraine une augmentation 6,46% des inv TOUT CHOSE EGAL PAR
AILLEUR

beta2 =σloginv /σtxnt est la semi élasticité de court terme des inv par rapport au txnt
son estimation beta chapeau 2 egal -0,047 signifie une diminution txnt d’un point ou
de 100% au cours terme entraine une augmentation des inv de 4,7% TOUT CHOSE
EGAL PAR AILLEUR

Elasticité de long terme

 Beta1 /1-b est l’elasticité de long terme des inv par rappot au PIB son
estimation
beta chapeau1 / 1 – b chapeau= 0,646/1-0,428 = 1,129
signifie que un augmentation du PIB Dans le long terme de 10% entraine
une augmentation de 11,29 des inv TOUT CHOSE EGAL PAR AILLEUR

beta2 /1-b Est la semi élasticité de long terme des invp par rapport au txnt
sont estimation
beta chapeau 2 / 1-b chapeau = 0,047/1-0,428=- 0,082
Signifie une diminution du txnt d’un point ou de 100% dans le long terme entraine
une augmentation des inv de 8,2 % TOUT CHOSE EGAL PAR AILLEUR

B3 n’a pas d’interprétation économique pour une fonction log

Interpretation du determinant R2 (R SQUARE)

R2= somme des carre explique / somme des carre total = 0,965 signifie que 96,5%
des variations de loginv au temps t son explique par le log(inv) au temps t-1 le PIB au
temps t et txnt au temps t

SIMULATION DU MODEL AUTOREGRESSIF

Pour simuler le model apres estimation par MCO on clique sur resids
Les courbe des séries actuelle et fitted sont proche donc l’erreur commise est faible alors elle
sera quantifier a l’aide des critères de prévision
Les modèle a des chances d’avoir un bon pouvoir prédictif car il reproduit fidèlement le passé
donc la simulation du modèle est bonne

CALCUL DE PREVISION POUR LA VARIABLE INV 2018 2020

Pour prévoir la variable inv les années 2018 2019 2020

Apres estimation d model autorégressif on clique forecast

Le forecast name on met prev_invauto et pour voir les prévisions on clique sur la série prev_invauto

DERTERMINATION DE LA TENDANCE
La masse monétaire sur EVIEWS c’est m2 . Pour la saisie de donné on écrit data m2 puis entrée

Apres saisie pour faire la représentation linéaire on clique sur QUICK ensuit GRAPH puis le nom de la
série (ex : m2) puis on choisit line and symbole pour le graphique linéaire.

Ou plus simple ont saisi directement line m2 puis entrée

1. Détermination de la tendance de la série

i) Tendance par moyen mobile d’ordre 3
La moyenne mobile de longueur m est définie par
 MT= 1 /m (Xt+Xt-1+Xt-2+ ……………+Xt-m+1)
La moyenne mobile d’ordre 3
M 3= 1/3(Xt+Xt-1+Xt-2+………+Xt-2) t=3

Pour générer les moyennes mobile on va sur QUICK puis generate série et ont saisi dans enter
équation :

‘’mob3=@movav(m2 ,3)’’

Pour trouver la tendance d’une Série par la méthode de la moyenne mobile On génère d’abord la
moyenne mobile et on fait ça représentation graphique linéaire

 Si la courbe obtenue est croissante on dira que la série étudié a une tendance croissante
 Si la courbe obtenue est décroissante on dira que la de série a une tendance décroissante
 Si elle est constante on dira que la tendance est constante

Et pour faire la représentation graphique on saisit line mob3

Les moyennes mobiles mettent en évidence une croissance progressive et montre que la tendance
de cette série temporelle de la masse monétaire donc la masse monétaire du Senegal a une tendance
croissante (ex du TP)

b) Tendance par la droite de régression

Soit la fonction suivant :

M2t = a0+ a1t + epsilon t, t =1 ……………..20

On estime les paramètres par la MCO on adopte la réglé de décision suivante :

Si à chapeau 1 EST positive on a une tendance croissante de la série

Si a chapeau 1 = 0 on a à une tendance constante de la série

Si a chapeau 1 est inférieur à 0 donc la tendance est décroissante

On génère d’abord la variable temporelle

On va sur QUICK générale série on saisit ‘tendance=@trend+1 puis OK.

Apres génère la tendance on peut estimer le modelé par la MCO

On va sur QUICK estimât équation puis on ‘’saisie m2 c tendance’’
Les coefficients estimés sont
; a chapeau 0 = c = -33,65,,, a chapeau 1= Tendance= 80 ,70 positive donc la masse
monétaire a une tendance croissante
Le model estimer est M2t = -33 , 65 + 80 , 70t

Tendance par le procède du filtre de hodrick –prescott

Pour étudier la tendance par le procède hodrick –prescott

 On va sur QUICK, série statistique, hodrick Prescott filter et on saisit le nom de la série à
étudier : m2 PUIS ENTRE, on saisit dans la premier case : hptrendm2 ENSUIT OK

La figure représente la masse monétaire brute et lisser par le filtre de hodrick –Prescott

Le filtre hodrick –Prescott montre une tendance croissante car sa courbe obtenue est croissante

Conclusion : les trois méthodes donnent le même résultat donc la série à une tendance croissante
(exo du cours cas 3)

La saisonnalité
Pour saisir les donnes trimestrielles on choisit QUARTLY

Data ventes puis entrée

Représentation de la série vente avec un graphique linéaire

Pour faire représentation graphique on sur QUICK puis graphe puis la série à
représenter (ex : vente), OK, puis on choisit line and symbole puis OK
Saisonnalité additive ou multiplicative méthode de BUYS BALLOT
Il consiste à calculer pour chacune des années la moyenne et l’acartype puis a
vérifier la liaison entre l’ecartype et la moyenne par la méthode des moindre
carre ordinaire (MCO) . Nous devons chercher le model suivant :
σx=ax barre + b
ecartype = a *moyenne + b
deux cas se pressente
cas 1 : l’ecartype n’est pas une fonction de la moyenne le modèle est additif la
pente de la droite de regression(ou des MCO) est proche de 0 donc a≈0
Ce qui signifie que les ecartype sont constant pendant la période
Cas 2 : l’acartype est une fonction de la moyenne, le modèle est multiplicatif la
pente de la droite dégression est différente de zéro ce qui signifie que les
ecartype ne sont pas constaté pendant une période

Pour calculer les ecartype et les moyenne on utilise Excel

On prend 7 Ligne et 5 colonnes pour ce cas
On choisit toute la bordure
ON saisit l’année (colonne) et trim1 ……. Trim4 la moyenne et l’acartype
(ligne)
Saisir les donnés
Pour trouver les moyenne on va sur le cas après la moyenne et on met =
puis on choisit en haut moyenne on clique, on voit B1 :B5 ON change le
B1 en B2 car 2008 NE FAIT PARTI DES TRIMESTRES PUIS OK pour avoir le
reste on met le curseur a l’extrémité de la case de la première moyenne
obtenue puis on tire vers la gauche
La même chose l’cartype

On va cree une autre workfile pour trouver la relation par la MCO

MAIS ANNUELLE 2008 2012(exemple du cours)

Data ecarttype moyenne puis entrée
Puis on repport les resurltats obtenue avec Excel sur le table d’Eviews
Pour estimer ce modèle on va sur QUICK puis estimate equation on saisit
‘’ecarttype c moyenne’’
Le prob critique trouvé est égal à 0,091% inferieur a10% ON REJET H0 cas
1
CONCLUSION : le coefficient est significativement déférente de 0 au seuil
de 10% les ecarttype de son pas constante pendant la période donc la
saisonnalité est multiplicative

PREVISION D’UNE SERIE STATIONNAIRE

METHODE DE PREVION : LISSAGE EXPONENTIEL SIMPLE
Data txepar puis on saisit les donnés
Représentation de la série taux épargne avec un graphique linéaire

Pour savoir si la série est stationnaire au niveau de la représentation

graphique on doit avoir la courbe de la moyenne et du taux épargne
Pour cela il faut trouver la moyenne
Pour trouver les stat descriptives d’une série sur EVIEWS ont saisi stats
puis le nom de la série (ex : stats txepar) puis entrée
On a mean = moyenne (on copie la moyenne) 
; pour génère la moyenne ont saisi genr moyenne= (ce qu’on avait copié)
puis entreé
Pour la représentation graphique on sur QUICK puis graphe ont saisi ‘’
txepar moyenne ‘’ puis OK ensuit line and symbole et ok
  SI Cette serie fluctue autour de la moyenne donc elle est stationnaire

PREVION PAR LA METHODE DU LISSAGE SIMPLE ET PREVION A

HORIZON DE 3 ANNEES
 PREVISION A HORIZON 1
Pour avoir la premier prévision on va sur QUICK série statistique, exponentiel smoothing
puis ok. On saisit txepar puis OK et on saisit single et ok
On verra le taux d’épargne prévu (ex TP : on le taux d’épargne prévue pour 2012 EST de
5,241 il correspond à la valeur de mean )
 PREVISION À L’HORIZON 2 ET 3
La méthode du lissage exponentiel simple ne donne que prévision a très courte terme
cad a horizon 1 pour avoir une prévision à l’horizon 2 IL suffit de considère la prévision
obtenue pour l’horizon 1 Comme la dernière observation (on le taux on obtenue par le
mean)
On clique sur RANGE on modifie l’année (on augmente le rang on2011 a 2012) comme
on connait la valeur en 2012 PUIS OK
On clique sur la série txepar et pour 2012(n NA) on click sur édit puis on colle
Apres avoir saisi la donne en 2012 on va sur QUICK série statistique, exponentiel
smoothing puis ok. On saisit txepar puis OK et on saisit single et ok
La prévision 2013 est égale à 5,256 ON COPIE
ON CLICK SUR RANG ON REFAIT LA MEME CHOSE

POUR LA PREVISION 3
Apres avoir saisi la valeur de txepar 2013 ON va sur QUICK série statistique, exponentiel
smoothing puis ok . On saisit txepar puis OK et on saisit single et ok

PREVISION D’UNE SERIE TENDANCILLE

METHODE HOLT WINTERS NON SAISONNIERE
Apres Saisi des données ; ici on nous demande de prévoir la masse monétaire du Sénégal a
un horizon de 4 and par la méthode de holt winters on a 2007 donc c’est de prévoir jusqu’en
2011
 La méthode de holt Winters fait des prévisions NON Saisonnière à long terme CAD a
horizon n
On augmente le rang en cliquant sur RANG jusqu’à 2011(ex du TP) puis OK
Apres avoir Augmenter le rang on va sur QUICK séries statistique, exponentiel smoothing on
click et on saisit le nom de la serie(ex du tp : m2) puis OK après on coche holt winters no
saisonnal , smoothing série sage m2
Nous trouverons la prévision dans la série m2sm
La METHODE DE HOLT WINTERS SAISONNIERE ADDITIVE
Ici la série de donné est trimestrielle on choisit quart
Data vente puis entrée
Représentation de la série par un graph linéaire (voir les pages précédentes)

 La méthode de Holt winter additive comme la méthode de Holt winters

multiplicative fait des prévisions a plusieurs horizons
o Il suffit d’augmente le Rang en cliquant sur RANG (ici les données sont trimestrielle
donc on augmente le rang de 4 Trimestre ce QUI fait on augmentera le rang D’un
ans )

Pour faire la chronique on va sur quick, série stat, exponentiel smoothing on saisit
vente puis ok et on choisit Holt winters additive puis ok
Nous retrouvons la prévision des 4 TRIMESTRES dans la série ‘’ventesm’’
Pour trouver la prévision par la méthode de holt winter multiplicative on augmente
d’abord le Rang, ensuit on va sur Quick série stat, exponentiel smoothing on saisit
vente puis ok et ont choisi Holt winters Multiplicative puis ok

Nous retrouvons la prévision des 4 TRIMESTRES dans la série ‘’ventesm’’