RAPPELS

Econometrie 1 : 40H (Examen)

Econometrie 2 : Prévision avec lissage exponentiel (20 H) (Pas d’examen)

Econométrie 3 : (30H) Méthodes econométriques multivariées (30H) (Examen)

____________________________________________________________________

CHAPITRE 3 : Cointégration et Modèle à correction d’erreur (page 261 et suivant)

Introduction : Notion de stationnarité

Dans les années 80 des économètres ont montré que la méthode d’estimation des MCO
n’était valable que sur les données stationnaires. Mais dans la pratique la plupart des séries
observées sont non stationnaires car tendancielles à la hausse ou à la baisse, elles sont
saisonnières (schéma additif ou multiplicatif) ou cycliques :
1) Série avec une tendance croissante
2) Série avec une tendance constante (série stationnaire)
3) Série avec une tendance décroissante
4) Série avec une saisonnalité additive
5) Série avec une saisonnalité multiplicative
6) Série avec un cycle
ST = série stationnaire - NST = Série non stationnaire
NB : On a 1 chance sur 6 qu’une série soit stationnaire.
Les modèles étudiés dans les chapitres 1 et 2 (modèles linéaire général, autorégressif, et
modèles à retards échelonnés) ne sont valables que sur des séries temporelles stationnaires.
Comme les séries stationnaires sont rares, les modèles étudiés dans les chapitres 1 et 2 sont
rarement valables.
Ces modèles sont appelés : Modèles de l’économétrie classique.
Le modèle à correction d’erreur étudié dans le chapitre 3 est une alternative à ces modèles
classiques.

Le modèle à correction d’erreur n’est valable que si les variables sont cointégrèes. Ce
résultat est appelé théorème de représentation de GRANGER)

Le prix nobel d’économétrie a été décerné en 2003 aux économistes ENGLE et GRANGER
pour leur théories sur la cointégration (1988) et l’économétrie financière (Modèles ARCH :
1982).

Les différentes étapes de la nouvelle démarche économétrique

- Etape 1 : Choix de la variable Endogène (Y)
Ex : Etude des déterminants de la croissance économique dans un pays donné
 La variable endogène (Y) est la croissance économique (taux de croissance du PIB)
- Etape 2 : Choix des variables exogénes (X1, X2,……Xk)
Si Y est le taux de croissance économique alors :
Y = f (investissement (+) ; exportations (+) ; capital humain (+) ; population (+ ou -) ; taux
d’inflation (-) ; taux de change effectif (+ ou -) ;instabilité politique (-)
Ces variables exo peuvent aider à élaborer une bonne Stratégie de Croissance Accélérée
(SCA).
- Etape 3 : Collecte de données
Les données sont collectées sur la variable endogènes et les variables exogènes.
- Etape 4 : Analyse descriptive des données
Calcul des statistiques descriptives associées à chacune des variables du modèle (moyenne,
écart-type, coef de variation, coef de dissymétrie (skewness) ; coef d’applatissement
(kurtosis)
 Test de correlation
 Test de normalité et de lognormalité
 Test de causalité
 Représentations graphiques de variables du modéles
 Etc

- Etape 5 : Etude de la stationnarité de chacune des variables du modèle

Nous utilisons les tests de stationnarité de Phillips – Perron (PP) et de Dickey – Fuller
Augmenté (ADF)
ADF = Agumented Dickey – Fuller)
Les tests de stationnarité ou tests de racine unité (Unit Root tests) sont univariés, ils sont
effectués sur une seule variable.
Pour ces deux tests, les hypothèses sont :
H0 : la variable X est non stationnaire
H1 : la variable X est stationnaire
Les tests de stationnarité sont effectués sur chacune des variables du modèle.
On doit distinguer deux cas :
Cas 1 : Si toutes les variables du modèle sont stationnaires (ce qui est rare dans la pratique),
alors on peut utiliser un des trois modèles de l’économétrie classique (modèle linéaire
général, modèle linéaire autorégressif, modèle à retards échelonnés)
Cas 2 : si on a au moins une variable non stationnaire, alors on passe à l’étape 6 (tests de
cointégration).
- Etape 6 : Etude de la cointégration des variables du modèle
Nous utilisons les tests de cointégration de Engle – Granger, de Johansen et
Pesaran/Shin/Smith (Test de cointégration aux bornes)
Les tests de cointégration sont multivariés, ils sont effectués sur l’ensemble des variables (Y,
X1, X2,……..et Xk) du modèle.

Pour ces trois tests, les hypothèses sont :

H0 : les variables Y, X1, X2 ; ………et Xk ne sont pas cointégrées
H1 : les variables Y, X1 , X2,……et Xk sont cointégrées

On doit distinguer deux cas :

Cas 1 : si les variables du modèle ne sont pas cointégrées, alors on ne peut pas utiliser le
modèle à correction d’erreur. On doit choisir un autre type de modélisation

Cas 2 : Si les variables sont cointégrées alors on utilise le modèle à correction d’erreur
(Théorème de représentation de GRANGER) on passe à l’étape 7
- Etape 7 : Estimation des paramètres du modèle à correction d’erreur
On dispose de deux types de modèle à correction d’erreur :
 Modèle en une étape de Hendry
 Modèle en deux étapes de Engle – Granger

- Etape 8 : Validation des modèles à correction d’erreur estimés

 Tests économétriques classiques

Comme les paramètres des modèles à correction d’erreur sont estimés par la méthode de
MCO, les tests économétriques classiques sont valables :
Il s’agit : des test de Student, Fisher, White, ARCH, Breusch –Godfrey, Tamsey, Chow, Cusum,
tests de Brown – Durbin- Evans

- Etape 9 : Simulation des modèles à correction d’erreur validés

On simule le passé à cette étape 9
 - Etape 10 : Prévision des modèles à correction d’erreur validés
On prévoit le futur à cette étape 10
I. SERIE STATIONNAIRE
Définition série stationnaire :
Une série stationnaire a une tendance constante. Elle fluctue autour de sa valeur moyenne.
Exemple 1 de série stationnaire (P 264) : simulation et représentation graphique d’un
processus bruit blanc normal centré réduit
o Une variable est centrée si sa moyenne est nulle
o Une variable est réduite si sa variance ….
Partie 1 : Solution avec Ewiev

Par - Command : genr bblanc = nrnd

Par - Quick puis Generate series saisir bblanc = nrnd puis OK

Puis :

Faire le graphique :

Command : line bblanc ou Quick graph bblanc

 Tracer l’histogramme de la série

Command :

Quick, Graph ;bblanc puis OK

Specific : choisir distribution

I. Test de stationnarité
Les tests de stationnarité les plus utilisés sont :

 Le test de Dickey – Fuller Augmenté (ADF, 1981)

 Le test de philips – Perron (PP ; 1988)

Les HP nulles des tests ADF et PP sont celles de la non stationnarité (c’est-à-dire de racine unité)

H0 : la variable X est non stationnaire

H1 : la variable X est Stationnaire

Tests de stationnarité sont fondés sur l’estimation de MCO des trois modèles suivants  :

- Modèle 1 : Modèles sans tendance et avec terme constant

Sur Eviews c’est l’option « None »

- Modèle sans tendance et avec terme constant

Sur Eviews c’est l’option « intercept »

- Modèle général avec tendance et avec terme constant

Sur Eviews c’est l’option «  trend and intercept « 

Trois modèles mais en pratique c’est un seul modèle qu’il faut choisir : comment le choisir

3.2) Procédure séquentielle des tests de racine unité

Il est fondamental de noter que les tests de racine unité sont appliqués sur un seul des trois modèles
suivants : None ; Intercept et Trend and intercept

NB : En pratique il faut savoir comment choisir le modèle : Les étapes voir PAGE 268

Commandes des tests de stationnarité sur Eview

Cliquer quick , series statistics ; unit Root tes ; test type

Choisir : ADT et PP
Choisir : Include in test equation suivant cet ordre :
- Trend and Intercept
- Intercept
- None
Choisir : Automatic selection
NB : le logciel Eviews calcule le nombre optimal de décalages en utilisant le critère d’information de
Schwarz

3-8 Règle de décision des tests de stationnarité avec la probabilité critique

H0 : non stationnaire si Probabilité > 5%

H1 : stationnaire si Probabilité ≤ 5%

Cette règle est valable pour tous les tests

Exercice 2 : Tests de racine unité (stationnarité) de Dickey – Fuller Augmenté (ADF) et de Philips- Perron (PP)
(Page 273)

Processus :

- Lancer Eviews
- Ouvrir le fichier de données

Question 1 : représentation Graphique

Quick ; Graph ; Log(pib) à saisir sur command

L’évolution de la série log(pib) indique que le processus semble non stationnaire

Log(pib) a une tendance croissante donc non stationnaire

Question 2 : Faire le test de Dickey – Filler Augmenté

Nous effectuons le test sur la variable en niveau (level)

H0 :

NB :

@TREND (1981) = Tendance avec son t de Student = 2.3119

C = Constante
Null Hypothesis: LOG(PIB) has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=9)

t-Statistic   Prob.*

Augmented Dickey-Fuller test statistic -2.167032  0.4931

Test critical values: 1% level -4.226815
5% level -3.536601
10% level -3.200320

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(LOG(PIB))
Method: Least Squares
Date: 04/21/21 Time: 18:38
Sample (adjusted): 1982 2018
Included observations: 37 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.  

LOG(PIB(-1)) -0.300463 0.138652 -2.167032 0.0373

C 1.801484 0.821586 2.192691 0.0353
@TREND("1981") 0.014021 0.006065 2.311919 0.0270

R-squared 0.136359    Mean dependent var 0.050584

Adjusted R-squared 0.085556    S.D. dependent var 0.120087
S.E. of regression 0.114835    Akaike info criterion -1.413034
Sum squared resid 0.448362    Schwarz criterion -1.282419
Log likelihood 29.14113    Hannan-Quinn criter. -1.366986
F-statistic 2.684102    Durbin-Watson stat 2.159967
Prob(F-statistic) 0.082731

Estimer le modèle 2 :

Null Hypothesis: LOG(PIB) has a unit root

Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=9)

t-Statistic   Prob.*

Augmented Dickey-Fuller test statistic  0.143769  0.9649

Test critical values: 1% level -3.621023
5% level -2.943427
10% level -2.610263

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(LOG(PIB))
Method: Least Squares
Date: 04/21/21 Time: 18:46
Sample (adjusted): 1982 2018
Included observations: 37 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.  

 LOG(PIB(-1)) 0.006162 0.042861 0.143769 0.8865
C 0.009212 0.288460 0.031936 0.9747

R-squared 0.000590    Mean dependent var 0.050584

Adjusted R-squared -0.027964    S.D. dependent var 0.120087
S.E. of regression 0.121755    Akaike info criterion -1.321081
Sum squared resid 0.518846    Schwarz criterion -1.234004
Log likelihood 26.43999    Hannan-Quinn criter. -1.290382
F-statistic 0.020670    Durbin-Watson stat 2.558528
Prob(F-statistic) 0.886507

Estimer modèle 1 :

Null Hypothesis: LOG(PIB) has a unit root

Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=9)

t-Statistic   Prob.*

Augmented Dickey-Fuller test statistic  2.566883  0.9968

Test critical values: 1% level -2.628961
5% level -1.950117
10% level -1.611339

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(LOG(PIB))
Method: Least Squares
Date: 04/21/21 Time: 18:48
Sample (adjusted): 1982 2018
Included observations: 37 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.  

LOG(PIB(-1)) 0.007528 0.002933 2.566883 0.0146

R-squared 0.000561    Mean dependent var 0.050584

Adjusted R-squared 0.000561    S.D. dependent var 0.120087
S.E. of regression 0.120053    Akaike info criterion -1.375106
Sum squared resid 0.518861    Schwarz criterion -1.331567
Log likelihood 26.43945    Hannan-Quinn criter. -1.359756
Durbin-Watson stat 2.561949

Augmented Dickey-Fuller test statistic  2.566883  0.9968

Comme la prob critique du test de Dickey –Fuller Augmenté (99.68 %) est > 5% nous ne rejetons pas l’HP de non
stationnarité de la variable log(pib)

Conclusion : la variable log(pib) est non stationnaire en niveau

la mise en œuvre de la stratégie séquentielle nous conduit à retenir u modèle sans tendance et
sans terme constant pour la série log(pib).
3.2 TEST DE PHILLLIPS-PERRON

Comme la probabilité critique du test de PP (100%) est supérieure à 5% nous ne rejetons pas l’HP de
non stationnarité de la variable log(pib)

Conclusion : la variable log(pib) est non stationnaire en niveau

Rappel Plan du Cours / Chapitre : Cointégration et Modèle a correction d’erreur

Test de stationnarité (terminé ce vendredi 7 mai 2021)

Intégration (Début du chapitre ce vendredi 7 mai 2021)

Tests de cointégration

Modèle à correction d’erreur

vendredi 7 mai 2021

CHAPITRE 2 : NOTION D’INTEGRATION

4. Variable intégrées d’ordre d (Page 287)

4-1 Opérateur décalage et différence

4-1-1 Opérateur décalage = opérateur retard (page 287)

4-1-2 Opérateur différence (page 287)

4-2 Notion d’intégration (Page 288)

On appelle variable intégrée d’ordre d une variable Xt telle que sa différence d’ordre d est
stationnaire.

d-iéme = Ordre d

Samedi 08/05/2021 (Page 298 à 299)

Proposition 4 : Toute combinaison linéaire

Proposition 5 : Toute combinaison linéaire de variables d’ordre d’intégration différents est
généralement intégrée à l’ordre le plus éevé.

X → I(d) et Y → I(d’)

aX + bY → I [max(d, d’)]

5) Cointégration et modèle à correction d’erreur (Page 299)

Le prix Nobel d’économétrie a été décerné en 2003 aux économètres Engle et Granger pour
leurs travaux sur la cointégration et l’économétrie financière.

L’idée qu’une relation d’équilibre de long terme puisse être définie entre variables pourtant
individuellement non stationnaires est à la base de la théorie de la cointégration.
5-1) Le problème des régressions fallacieuses
Voir Livre page 300 et 301
5-2) Définition de la cointégration

Définition de Engele et Granger

X → I(1) ; Y → (1)
Si la variable (aX + bY) est stationnaire [I(0)] alors les variables X et Y sont cointégrées.
------------------------------------
CAS 2 : Définition de Engele et Granger
Si X I(2) et Y I(2)
Les variables X et Y sont cointégrées si la variable (aX +bY) est I(0) ou I(1)

Les variables X et Y sont cointégrées si :

- Elles ont des trajectoires parallèles
- Elles ont le même sentier de croissance
- Il existe une relation stable à long terme entre elles
5-3) Test de cointégration

Les tests le plus utilisés sont au nombre de trois :

- Engle – Granger (1987)

- Johansen (1988, 1991)
- Pesaran – Shin – Smith (2001)

Les HP nulles des trois test de ointégration sont celles de la non cointégration

H0 : les variables X, Y,Z et H ne sont pas cointégrées

H1 : les variables X, Y,Z et H ne sont pas cointégrées

Les tests de cointégration de Engele- Granger et Johansen ne sont valables que si toutes les variables
sont du même ordre d’intégration.

Y → I(1) ; X → I(1) ; Z → I(1) ; H → I(1)

Si les variables sont d’ordre d’intégration différentes, alors on doit utiliser le test de cointégration aux
bornes de Pesaran – Shin – Smith

Prochain Cours

TP : Tests de cointégration 18h 30 A 20h 30

Page 305 à 308

Exercice 5 : Tests de cointégration : Cas où les variables sont du même ordre d’intégration

1. Représenter Graphiquement LCONS et LREV

Process / Eview : Quick Graph Saisir log(cons) log(rev)

Ou Saisir dans command : line log(cons) log(rev)

2. Test de cointégration

2.1 Test de Johansen

Johansen effectue un test de rang de cointégration. Si le rang de cointégration est nul, alors les
variables ne sont pas cointégrées.

Si le rang de cointégration est supérieur ou égal à 1 alors les variables sont cointégrées.

NB : Eviews donne le rang de cointégration

H0 : les variables log(cons) et log(rev) ne sont pas cointégrées

H1 : les variables log(cons) et log(rev) sont cointégrées

Le logiciel Eviews propose 5 options pour le test de Johansen

Procédure Eview option 1 / Test de Johansen :

Quick → Group statistic → Johson integration test

Date: 05/18/21 Time: 19:06
Sample (adjusted): 1992 2016
Included observations: 25 after adjustments
Trend assumption: No deterministic trend
Series: LOG(CONS) LOG(REV) 
Lags interval (in first differences): 1 to 1

Unrestricted Cointegration Rank Test (Trace)

Hypothesized Trace 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**

None *  0.360414  16.19211  12.32090  0.0107

At most 1 *  0.181883  5.018744  4.129906  0.0298

 Trace test indicates 2 cointegrating eqn(s) at the 0.05 level

 * denotes rejection of the hypothesis at the 0.05 level
 **MacKinnon-Haug-Michelis (1999) p-values

Unrestricted Cointegration Rank Test (Maximum Eigenvalue)

Hypothesized Max-Eigen 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**

None  0.360414  11.17336  11.22480  0.0510

At most 1 *  0.181883  5.018744  4.129906  0.0298

 Max-eigenvalue test indicates no cointegration at the 0.05 level

 * denotes rejection of the hypothesis at the 0.05 level
 **MacKinnon-Haug-Michelis (1999) p-values

 Trace test indicates 2 cointegrating eqn(s) at the 0.05 level (Le test de la trace

indique deux équations de cointégration au seuil de signification de 5%)

Pour l’option 1 rang de cointégration

OPTION 2 :

Date: 05/18/21 Time: 19:18        

Sample (adjusted): 1992 2016        
Included observations: 25 after adjustments        
Trend assumption: No deterministic trend (restricted        
constant)
Series: LOG(CONS) LOG(REV)        
Lags interval (in first differences): 1 to 1        
         
         
Unrestricted Cointegration Rank Test (Trace)        
         
Hypothesized   Trace 0.05  
No. of CE(s) Eigenval Statistic Critical Prob.**
 ue Value
         
None * 0.0382
0.39428 21.1039 20.2618
7 6 4
At most 1 0.0647
0.29022 8.57023 9.16454
6 3 6
         
Trace test indicates 1 cointegrating eqn(s) at the        
0.05 level
* denotes rejection of the hypothesis at the 0.05        
level
**MacKinnon-Haug-Michelis (1999) p-values        
         
Unrestricted Cointegration Rank Test (Maximum        
Eigenvalue)
         
Hypothesized   Max- 0.05  
Eigen
No. of CE(s) Eigenval Statistic Critical Prob.**
ue Value
         
None 0.1571
0.39428 12.5337 15.8921
7 3 0
At most 1 0.0647
0.29022 8.57023 9.16454
6 3 6

Pour la statistique Trace, deux options sur cinq acceptent la cointégration : les variables log(cons) et
log(rev) sont cointégrées

Option 6 : Résumé

Date: 05/18/21 Time: 19:24        

Sample: 1990 2020        
Included observations: 25        
Series: LOG(CONS) LOG(REV)        
Lags interval: 1 to 1        
         
Selected (0.05 level*) Number of Cointegrating Relations by Model        
         
Data Trend: None None Linear Line
No
Test Type Intercept Intercept Intercept Inte
  No Trend No Trend No Trend Tren
Trace 2 1 0
 2.2 Test de cointégration de Engle – Granger (Page 313)

Ce test n’est valable que pour deux variables. Il est exécutable sur les versions récentes de Eviews.

Ce test est réalisé après l’exécution du test de Johansen  :

Cliquer View (A gauche) → Single-Equation Cointegration test

Test method : Choir Engle-Granger puis OK

Date: 05/18/21 Time: 19:58        

Series: LOG(CONS) LOG(REV)        
Sample (adjusted): 1990 2016        
Included observations: 27 after adjustments        
Null hypothesis: Series are not cointegrated        
Cointegrating equation deterministics: C        
Automatic lags specification based on Schwarz        
criterion (maxlag=5)
         
         
Dependent tau- Prob.* z- Prob.*
statistic statistic
LOG(CONS) - 0.0377 - 0.1500
3.72286 12.6993
6 1
LOG(REV) - 0.0500 - 0.1646
3.58131 12.3376
4 5

La probabilité critique associée à la statistique tau est égale à 3.77%

Comme cette prob est inférieure à 5% nous rejetons l’HP nulle de non cointégration.

Les variables log(cons) et log(rev) sont cointégrées.

6.4 Modèle à correction d’erreur (Page 325)

Le théoréme de Granger affirme qu’on peut toujours associer un modèle à correction d’erreur à de
variables conitégrées.

Dans le modèle à correction d’erreur, toutes les variables sont stationnarisées. Donc, on estime les
paramètres du modèle à correction d’erreur par la méthode des MCO.

Tous les tests classiques sont valables pour valider le modèle à correction d’erreur : Student, Fisher,
Breusch-godgrey, White, ARCH, Ramsey, CHOW, Brown – Durbin – Evans
On a deux types de modèles à correction d’erreur :

 Modèle 1 en une étape de Hendry

 Modèle en deux étapes de Engle-Granger

Modèle 1 en une étape de Hendry (page 326 et …)

Les paramètres du modèle de Hendry sont plus faciles à interpréter que ceux du modèle de Engle –
Granger.

Considérant que les 4 variables sont cointégrées LOG(Y) ; LOG(X1) ; LOG(X2) ; ET LOG(X3)

Modèle de Engle - Granger

Deux étapes à suivre pour estimer :

- Estimation de la relation de long terme par la méthode des moindres carrés ordinaires (MCO)

LYt = â0 + â1LX1t + âLX2t + â3LX3t + Et

Et = LYt – (â0 + â1LX1t + âLX2t + â3LX3t)

- Estimation de la relation du modèle dynamique (court terme) par la MCO

Exercice 7 : Estimation d’un modèle à correction d’erreur (P327)

1) Estimer le modèle à correction d’erreur de type Hendry suivant (estimation en une étape)

I.1 Estimer par la MCO les paramètres du modèle de type Hendry (Eviews)

d(X) = différence pemière de X

quick →Estimate Equation

LS d(log(cons)) c d(log(rev)) log(cons(-1)) log(rev(-1)) puis OK

les parmètres estimés sont

Dependent Variable: D(LOG(CONS))        

Method: Least Squares        
Date: 05/21/21 Time: 19:17        
Sample (adjusted): 1991 2016        
Included observations: 26 after
adjustments        
         
Variable Coefficient Std. Error t-Statistic Prob.
         
C 0.172218 0.048563 3.546257 0.0018
D(LOG(REV)) 0.469091 0.102903 4.558585 0.0002
LOG(CONS(-1)) -0.446765 0.096058 -4.650981 0.0001
LOG(REV(-1)) 0.408418 0.090379 4.518949 0.0002
         
 Mean dependent
R-squared 0.655289 var   0.021911
S.D. dependent
Adjusted R-squared 0.608283 var   0.008935
Akaike info
S.E. of regression 0.005592 criterion   -7.394187
Sum squared resid 0.000688 Schwarz criterion   -7.200634
Hannan-Quinn
Log likelihood 100.1244 criter.   -7.338451
Durbin-Watson
F-statistic 13.94052 stat   1.700999
Prob(F-statistic) 0.000026      

I.2 Le modèle à correction d’erreur de Hendry est-il valable

H0 ; β2 = 0 contre H1 : β2 ≠ 0

La prob critique associée au test est égales à 0.001 inf à 1%, nous rejetons l’HP H0. Le coef de
correction β2 est significativement différent de 0.

On constate que le coéf associé à la force de rappel est négatif (-0447) et significativement différent
de zéro au seuil de 1%.

Le modèle à correction d’erreur est valable.

I.3 Interprétation du modèle de correction d’erreur

β2 représente la vitesse à laquelle tout déséquilibre entre les niveaux désiré et effectif des
consommations est résorbé dans l’année qui suit un choc.

(Voir Page 330)

I.4 Elasticités de court et de long terme

I.5
- Estimation de l’élasticité de CT des consommations par rapport aux revenus est : β1 = 0.469

Interprétation : si les revenus des ménages du pays augmentent de 10%, alors leurs consommations
à court terme augmentent de 4.69%, toutes choses égales par ailleurs.

- L’estimation de l’élasticité de long terme des consommations (voir Page 330) :

Modèle de Engle - Granger

Estimation du modèle à correction d’erreur en deux étapes de type Engle – Granger :

Etape 1 : Estimation par la MCO de la

Quick → Estimate Equation

Saisir dans command : log(cons) c log(rev) puis cliquer sur OK

Dependent Variable: LOG(CONS)        
Method: Least Squares        
Date: 05/21/21 Time: 19:46        
Sample (adjusted): 1990 2016        
Included observations: 27 after adjustments        
         
Variable Coefficient Std. Error t-Statistic Prob.
         
C 0.179517 0.089370 2.008690 0.0555
LOG(REV) 0.940946 0.013276 70.87386 0.0000

Apres l’estimation des paramètres de la relation de long terme, on récupère les résidus par
l’instruction Eviews suivante :

Quick → generate series puis saisir : erreur = resid

Etape 2 : Estimation de la relation du modèle dynamique (court terme)

Quick Estimate Equation

puis on saisit : d(log(cons)) c d(log(rev)) erreur(-1)

ou Quick :

command et saisir : LS d(log(cons)) c d(log(rev)) erreur(-1)

Dependent Variable: D(LOG(CONS))        

Method: Least Squares        
Date: 05/21/21 Time: 19:55        
Sample (adjusted): 1991 2016        
Included observations: 26 after adjustments        
         
Variable Coefficient Std. Error t-Statistic Prob.
         
C 0.011460 0.002600 4.408627 0.0002
D(LOG(REV)) 0.477530 0.107676 4.434882 0.0002
ERREUR(-1) -0.440239 0.100547 -4.378450 0.0002

Prob critique au test (0.0002) est inf à 1%, nous rejetons l’HP nulle. Le coefficient de correction
d’erreur est significativement différent de 0.
CHAPITRE 4 : ECONOMETRIE 2 : Econométrie des variables qualitatives / TOME 2