PRATIQUE1

20000
15000
10000
5000
0
70 75 80 85 90 95 00
M2
14000
12000
10000
8000
6000
4000
2000
0
70 75 80 85 90 95 00
PIB
16
12
0
70 75 80 85 90 95 00
TC
16
14
12
10
2
70 75 80 85 90 95 00
TL
1
10.0
9.5
9.0
8.5
8.0
7.5
7.0
70 75 80 85 90 95 00
LM2
9.5
9.0
8.5
8.0
7.5
7.0
6.5
70 75 80 85 90 95 00
LPIB
3.0
2.5
2.0
1.5
1.0
0.5
0.0
-0.5
70 75 80 85 90 95 00
LTC
2.8
2.4
2.0
1.6
1.2
70 75 80 85 90 95 00
LTL
2
PRATIQUE DE L’ECONOMETRIE CLASSIQUE A TRAVERS UN EXEMPLE
Soit un gouvernement qui aimerait contrôler l’évolution de la demande de monnaie M2 (qui

comprend les billets, pièces et placements à vue comme le livret A, CODEVI, livret
d’épargne) dans l’économie. Pour cela, il aimerait connaître les facteurs influençant cette
demande de monnaie. Il pense que les facteurs sont le PIB, le taux d’intérêt de court et le taux
d’intérêt de long terme : plus le PIB augmente, plus en principe M2 devrait augmenter. De
même : plus les taux d’intérêt augmentent, plus les placements à vue devraient augmenter. Il y
a apparemment un lien entre ces variables. Pour le savoir, on va estimer les modèles suivants :
I/ MODELES A ESTIMER :
M2t = a0 + a1PIBt + εt
M2t = b0 + b1PIBt + b2TCt + b3TLt + ut
LM2t = c0 + c1LPIBt + c2LTCt + c3LTLt + υt
Résultats d’estimation donnés par Eviews :
Dependent Variable: M2
Method: Least Squares
Date: 02/26/05 Time: 11:49
Sample: 1970:1 2004:4
Included observations: 140
Variable Coefficient Std. Error t-Statistic Prob.
C 571.2342 91.28698 6.257566 0.0000
PIB 1.485742 0.014855 100.0160 0.0000
R-squared 0.986392 Mean dependent var 8375.929
Adjusted R-squared 0.986294 S.D. dependent var 4787.468
S.E. of regression 560.4912 Akaike info criterion 15.50969
Sum squared resid 43352753 Schwarz criterion 15.55171
Log likelihood -1083.678 F-statistic 10003.19
Durbin-Watson stat 0.027495 Prob(F-statistic) 0.000000
Dependent Variable: M2
Date: 02/26/05 Time: 14:38
Sample: 1970:1 2004:4
C 34.15253 230.5338 0.148145 0.8824
PIB 1.487333 0.016410 90.63741 0.0000
TL 195.6096 38.21600 5.118526 0.0000
TC -163.8241 32.19122 -5.089094 0.0000
3
S.E. of regression 513.4344 Akaike info criterion 15.34828
Sum squared resid 35851626 Schwarz criterion 15.43232
Log likelihood -1070.379 F-statistic 3983.093
Dependent Variable: LM2

Date: 02/26/05 Time: 14:39
Sample: 1970:1 2004:4
C 1.087642 0.062946 17.27910 0.0000
LPIB 0.913057 0.005726 159.4717 0.0000
LTC -0.085687 0.012435 -6.891037 0.0000
LTL 0.139043 0.022992 6.047436 0.0000
S.E. of regression 0.043337 Akaike info criterion -3.411472
Sum squared resid 0.255419 Schwarz criterion -3.327425
Log likelihood 242.8031 F-statistic 10966.80
Commandes Eviews :
Pour faire ces estimations sous Eviews, il faut d’abord enregistrer les données (M2, PIB, TL,
TC) sous Eviews. Pour cela, après avoir ouvert Eviews, on va dans File puis dans New puis
on choisit Workfile. Une fenêtre apparaît , on entre la fréquence des données ainsi que les
dates de la période étudiée pour les données.
Il peut arriver que vous ayez un problème au niveau des dates. Il peut s’agir d’un problème de
format : Eviews est sous le format mois/jour/année (format anglo-saxon) alors que vous avez
tapé le format jour/mois/année. Il faut alors aller dans Options puis dans Frequency
Conversion. Là, vous cliquez sur Day/Month/Year qui se trouve à droite de la fenêtre qui
apparaît.
Pour enregistrer les données sous Eviews : on va dans Quick puis dans Generate Series et on
fait un copier-coller si les séries sont par exemple au format Excel (ATTENTION : les
décimaux sous Excel sont souvent écrits avec une virgule alors que sous Eviews, les
décimaux sont écrits avec un point ! Il faut d’abord remplacer les virgules par des points et
ensuite faire un copier-coller !).
Pour estimer les modèles ci-dessus, on va dans Quick puis dans Estimate Equation. On tape
dans la fenêtre qui apparaît les variables suivantes : M2 C PIB (où C représente la constante).
On clique sur OK.
Pour créer une série log sous Eviews, on va dans Quick puis dans Generate Series. Une
fenêtre apparaît et on tape la formule suivante : LM2 = log(M2) puis on clique sur OK.
On fait de même pour le PIB, le TL et TC.
4
Comparaison des modèles :
• Modèle 1 et 2 ⇒ critères R2c ("Adjusted R-squared") et s ("S.E. of regression")
R2c,1 = 0.986294 et s1 = 560.4912

R2c,2 = 0.988498 et s2 = 513.4344
Le modèle 2 est meilleur que le modèle 1
• Modèle 2 et 3 ⇒ critère de Box-Cox pour comparer les s

⇒ critère de Box-Cox : sbox-cox = slog*exp("Mean dependent var")
sbox-cox = 0.043337* exp(8.837796) = 296,91 et s2 = 513.4344
Le modèle 3 est meilleur que le modèle 2.
On garde le modèle 3 pour effectuer nos tests.
II/ PREVISION :
Nous allons effectuer une prévision pour la date 2005:1 à l’aide du modèle de régression
simple :
M2t = 571.23 + 1.48 PIBt pour t = 1970 :1,…, 2004 :4
On sait qu’en 2005 :1, on a la valeur du PIB égale à 12000 mds de $.

Quelle sera la valeur de M2 ?
On va calculer la valeur de M2 en 2005 :1 .
Pour faire la prévision pour 2005 :1, on doit élargir le « Workfile range » (période totale
enregistrée au moment de la création du fichier Workfile) et la taille de l’échantillon (elle est
fixée ici au maximum jusqu’en 2004 :4) :
• Pour élargir le « Workfile range », on va dans Procs/Change Workfile Range de la fenêtre
Workfile, puis on modifie la date en inscrivant pour « end date » 2005 :1
• Pour élargir la taille de l’échantillon, on va dans Sample de la fenêtre Workfile, puis on
modifie la période en inscrivant 2005 :1 à la place de 2004 :4.
On va enregistrer la valeur du PIB en 2005 :1 en cliquant sur le fichier où est rangée la série
du PIB.
On clique ensuite sur Edit+/- et on fait défiler les observations jusqu’en bas de la fenêtre. On
clique sur NA et on tape 12000. On reclique sur Edit+/- pour que cette modification soit prise
en compte.
5
On estime ensuite le modèle avec la valeur du PIB en 2005 :1 en allant dans Quick, puis
Estimate equation (si l’équation n’a pas encore été enregistrée).
On clique sur Forecast dans la fenêtre d’estimation du modèle. On garde la nom attribué par
Eviews pour la série estimée (M2F). On vérifie que la période de prévision s’étend bien de
1970 :1-2005 :1.
Pour observer la valeur trouvée pour la variable M2 en 2005 :1, on va dans le fichier intitulé
M2F de la fenêtre Workfile. On voit que M2F est égale à 18400.14 en 2005 :1.
On peut d’ailleurs afficher sur un même graphe la série M2 observée et la série M2F estimée
en sélectionnant les deux fichiers (M2 et M2F) de la fenêtre Workfile, puis en allant dans
Quick pour sélectionner Show.
III/ TESTS CLASSIQUES :
1/ TRAITEMENT DES POINTS ABERRANTS :
Avant d’effectuer les tests classiques, il faut vérifier que l’on n’a pas de points aberrants. La
présence de points aberrants peut fausser les résultats des tests.
Pour T > 30, on a l’intervalle de confiance suivant pour les résidus : (pour un risque de 5%)
-1,96s ≤ et ≤ 1,96s
ou -2s ≤ et ≤ 2s .
0.15
0.10
0.05
0.00
-0.05
-0.10
-0.15
70 75 80 85 90 95 00
LM2 Residuals
Ici, on a s3 = 0.043337 , d’où

-0.086 ≤ et ≤ 0.086
On remarque qu’il y a 1 point aberrant important : en 1980:3 .
6
Commandes Eviews :
Pour tracer le graphe des résidus, on va dans le fichier où on a rangé le modèle estimé. On va
ensuite dans View puis dans Actual, Fitted, Residuals et on choisit Residual Graph.
Correction du point aberrant en 1980:3
On ne peut enlever ce point aberrant que si on a une explication économique pour ce point.
Sinon il faut le prendre en compte dans la modélisation.
On ajoute une variable indicatrice DU8003 au modèle 3 telle que
⎧⎪ 1 pour la date 1980:3

DU8003 = ⎨
⎪⎩ 0 sinon

Date: 02/26/05 Time: 13:24
Sample: 1970:1 2004:4
C 1.074177 0.061361 17.50592 0.0000
LPIB 0.911670 0.005586 163.2172 0.0000
LTL 0.162987 0.023751 6.862442 0.0000
LTC -0.098895 0.012874 -7.681561 0.0000
DU8003 -0.135090 0.045296 -2.982372 0.0034
On remarque R2c,4 = 0.996023 et s4 = 0.042131 tandis que Rc,3 2

= 0.995793 et s3 = 0.043337
Le modèle 4 avec la variable indicatrice est meilleur que le modèle 3.
De plus, on constate que le coefficient de la variable muette est significativement différent de zéro (t de Student
en valeur absolue > 1,96 pour un risque de 5%).
7
0.15
0.10
0.05
0.00
-0.05
-0.10
70 75 80 85 90 95 00
LM2 Residuals
Il n’y a plus de point aberrant !

Le point aberrant en 1980:3 a disparu !
Commandes sous Eviews :
• Pour créer une variable indicatrice sous Eviews, on tape les lignes suivantes dans la fenêtre
COMMAND (sous la barre d’outils) :
GENR period = @trend (on attribue un chiffre à chaque date)

GENR dum = @trend = 17 (si le point aberrant se trouve à la date à laquelle est attribué le
chiffre 17)
• Pour créer une variable temps sous Eviews, on tape la ligne suivante dans la fenêtre
Generate Series que l’on obtient en allant dans Quick de la barre d’outil :
t = @trend(1947.1)
Cette procédure va créer une variable t qui est égale à 0 en 1947.1 et qui augmente d’une
unité pour chaque date.
2/ TEST DE NORMALITE DES ERREURS :
12
Series: Residuals
Sample 1970:1 2004:4
10
Observations 140
8 Mean 5.94E-15
Median -0.003134
Maximum 0.098949
6
Minimum -0.085138
Std. Dev. 0.041521
4 Skewness 0.010609
Kurtosis 2.391620
2
Jarque-Bera 2.161699
Probability 0.339307
0
-0.05 0.00 0.05 0.10
8
On a
α3 = coeff de symétrie = skewness = 0,010
α4 = coeff d’aplatissement = kurtosis = 2,391
La probabilité associée à la statistique de test de Jarque-Bera nous dit que nous avons
normalité des erreurs car celle-ci est > 0.05 (H0 acceptée).
Pour faire apparaître le test de normalité des erreurs, il faut aller dans la fenêtre où se trouve
l’estimation du modèle 4 avec variable indicatrice DU8003. On va dans View puis dans
Residual Tests et on choisit Histogram-Normality Test.
3/ TEST DE SIGNIFICATIVITE DES COEFFICIENTS :
3.1/ Test de student :
Comme les erreurs suivent une loi normale, on peut étudier les t de student et les comparer à
la valeur 1,96 pour un risque de 5% (valeurs d’une
(valeur critique de loi
la loinormale car la loi
normale centrée de student
et réduite tend
car la loi vers
de Student
une loi normale qd T > 30).
tend vers la loi normale quand la taille de l'échantillon est suffisamment grande (T>30)).
Les t de student (en valeur absolue) des coefficients du modèle 4 sont tous > 1,96. Les
variables explicatives sont toutes significativement différentes de zéro. Elles ont toutes un
impact sur la variable à expliquer.
Commandes Eviews :
On va dans le fichier où on rangé le modèle estimé. La fenêtre qui apparaît donne les résultats
de la régression. Si ce n’est pas la cas, cliquez sur View puis sur Estimation Output. Les t de
student figurent à la 4ème colonne intitulée « t-Statistics ».
3.2/ Test de Fisher :
On regarde la probabilité associée à la statistique F , on a
Prob(F-statistic) = 0,0000 < 0,05 (5%)
L’hypothèse H1 est acceptée : l’ensemble des variables explicatives est significatif.

(On rappelle que la loi de Fisher est une loi non symétrique : donc on compare la probabilité
par rapport à 5% et non pas par rapport à 2,5% ! ).
9
Commandes Eviews :
On va dans le fichier où on rangé le modèle estimé. La fenêtre qui apparaît donne les résultats
de la régression. Si ce n’est pas la cas, cliquez sur View puis sur Estimation Output. La
statistique F apparaît en bas du listing à « F-Statistic ».
4/ TEST DE COLINEARITE :
Lorsque l’on constate que les t de student des variables explicatives sont toutes
significativement
Lorsque l'on constate non différentes
que les coefficients de
deszéro ou explicatives
variables que les t de student
jugées des variables
pertinentes explicatives
sont significativement non
jugée pertinentes sont significativement non différentes de zéro. On peut penser qu’il y a una
différents de zéro, on peut penser qu'il y a un problème de colinéarité. Une colinéarité des variables explicatives
pour conséquence des t de Student relativement faibles.
problème de colinéarité. Une colinéarité des variables explicatives a pour conséquence des t
de student relativement faibles !
Pour savoir si les variables explicatives dont le t de student est petit sont significativement
significatives ou non, ou
non
on lesdifférentes de une
enlève une par zéro,
duon les enlève
modèle : une par une du modèle :
• Si le s du modèle (voir « SE of Regression » dans le listing donné par Eviews) diminue,
c’est que la variable explicative n’est pas significativement
significative . différente de zéro.
• Si le s du modèle augmente, la variable explicative est significativement
significative différente de zéro
et on la garde dans le modèle.
Pour connaître les variables explicatives qui sont colinéaires, on peut construire le tableau
suivant des corrélations. Une forte corrélation entre deux variables explicatives du modèle est
un signe de colinéarité entre ces deux variables (ce tableau ne constitue pas un test de
colinéarité car il ne permet pas de dire si un coefficient de corrélation est significativement ou
non différent de zéro mais il permet néanmoins d’avoir une idée des variables explicatives qui
sont liées entre elles).
LM2 LPIB LTL LTC
LM2 1.000000 0.341983 -0.334667 -0.324405

LPIB 0.341983 1.000000 -0.211790 -0.191700
LTL -0.334667 -0.211790 1.000000 0.337931
LTC -0.324405 -0.191700 0.337931 1.000000
• On crée un groupe des variables du modèle estimé en allant dans le fichier Workfile où on a
rangé le modèle estimé (nom : eq04 par exemple) ;
• On va dans Procs/Make Regressor Group ;
• On va dans View/Correlations pour obtenir le calcul des coefficients de corrélation ;
• On clique sur Freeze pour obtenir le tableau des coefficients de corrélation.
10
5/ TEST D’HETEROSCEDASTICITE :
5.1/ Test de White :
ATTENTION : on ne prend pas en compte la variable indicatrice dans le modèle !
White Heteroskedasticity Test:

F-statistic 4.127359 Probability 0.000108
Obs*R-squared 31.11331 Probability 0.000283
Test Equation:
Dependent Variable: RESID^2
Date: 02/26/05 Time: 16:50
Sample: 1970:1 2004:4
C 0.018555 0.061693 0.300754 0.7641
LPIB -0.001141 0.013338 -0.085508 0.9320
LPIB^2 -0.000210 0.000822 -0.255311 0.7989
LPIB*LTL 0.002192 0.003080 0.711484 0.4781
LPIB*LTC 0.000841 0.001492 0.563793 0.5739
LTL -0.020616 0.040300 -0.511548 0.6098
LTL^2 0.005602 0.005687 0.984968 0.3265
LTL*LTC -0.010881 0.004398 -2.473944 0.0147
LTC 0.003635 0.016976 0.214113 0.8308
LTC^2 0.003133 0.001428 2.194254 0.0300
On regarde la probabilité associée à la statistique de test TR² ("Obs*R-squared"), on a
Probability = 0.000283 < 0.05 (5%)
On accepte l’hypothèse H1 : il y a hétéroscédasticité des erreurs.
On rappelle que TR² ~> χ²(8) car on a 8 contraintes (=0) .
Commandes Eviews :
On va dans le fichier où on rangé le modèle estimé. On va ensuite dans View puis dans
Residual Tests. On choisit White heteroskedasticity (cross terms).
11
6/ TEST DE STABILITE :
On a hétéroscédasticité des erreurs, donc on ne peut pas effectuer le test de Chow ! Le test est
biaisé, il risque de rejeter à tort l’hypothèse H0 de stabilité du modèle.
Le "Chow breakpoint test" :
Chow Breakpoint Test: 1981:1

Log likelihood ratio 44.45339 Probability 0.000000
On ne met pas la variable indicatrice DU8003 (sinon message d’erreur).
Il y a instabilité du modèle car la probabilité associée à la statistique F est < 0.05
Commandes Eviews :
On va dans le fichier où on a rangé le modèle estimé. On va ensuite dans View puis dans
Stability Tests et on choisit Chow breakpoint test .
7/ TEST D’AUTOCORRELATION DES ERREURS :
7.1/ Test de DW :
La statistique de DW pour le modèle 4 est
DW = 0.131606
On peut conclure qu’il y a de l’autocorrélation des erreurs car le DW est très proche de 0.
Est ce que cette autocorrélation des erreurs est dûe à :
• la présence de points aberrants

• l’instabilité des coefficients
• l’oubli d’une variable explicative importante ?
Command Eviews :
On va dans le fichier où on a rangé le modèle estimé. La fenêtre qui apparaît donne les
résultats de la régression. Si ce n’est pas la cas, cliquez sur View puis sur Estimation Output.
La statistique de DW figure en bas du listing à « Durbin-Watson stat ».
12
7.2/ Test de Box-Pierce :
Date: 02/26/05 Time: 19:19

Sample: 1970:1 2004:4
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
.|*******| .|*******| 1 0.905 0.905 117.07 0.000
.|****** | .|* | 2 0.834 0.083 217.19 0.000
.|****** | *|. | 3 0.743 -0.134 297.20 0.000
.|***** | .|. | 4 0.676 0.063 364.01 0.000
.|***** | .|. | 5 0.605 -0.030 417.89 0.000
.|**** | .|. | 6 0.546 0.003 462.15 0.000
.|**** | .|. | 7 0.496 0.035 498.90 0.000
.|*** | .|. | 8 0.447 -0.024 529.05 0.000
.|*** | *|. | 9 0.386 -0.108 551.61 0.000
.|** | *|. | 10 0.307 -0.145 566.00 0.000
.|** | .|* | 11 0.259 0.117 576.31 0.000
.|** | .|. | 12 0.219 0.052 583.75 0.000
.|* | .|. | 13 0.182 -0.051 588.96 0.000
.|* | .|. | 14 0.142 -0.041 592.16 0.000
.|* | .|. | 15 0.105 -0.032 593.93 0.000
.|. | *|. | 16 0.054 -0.115 594.39 0.000
.|. | *|. | 17 -0.008 -0.104 594.41 0.000
*|. | .|. | 18 -0.061 0.031 595.02 0.000
*|. | *|. | 19 -0.122 -0.102 597.45 0.000
*|. | *|. | 20 -0.178 -0.128 602.72 0.000
Il y a autocorrélation des erreurs d’ordre supérieur à 1 car on a la probabilité pour chaque

coefficient de corrélation = 0.000 < 5% (à comparer à 5% car la statistique Q suit un χ² qui est
une loi non symétrique).
Commandes Eviews :
On va dans le fichier où on a rangé le modèle estimé. On va ensuite dans View puis dans
Residual Tests et on choisit Correlogram-Q statistics.
8/ MODELE DYNAMIQUE :
Comme on a constaté une autocorrélation des erreurs d’ordre supérieur à 1, nous allons
chercher à éliminer cette autocorrélation en commençant à estimer un modèle autorégressif
(solution à un problème d’autocorrélation lié à l’absence de variables explicatives
importantes) :
L
LM2t = α0 + ∑ βiLM2t-i + α1LPIBt + α2LTCt + α3LTLt + α4DU8003 + ηt
i=1
La détermination du retard L se fera à l’aide de la minimisation des critères Akaike(AIC) et

Schwarz.
13
Date: 02/27/05 Time: 10:18
Sample(adjusted): 1970:2 2004:4
Included observations: 139 after adjusting endpoints
C 0.087154 0.021152 4.120329 0.0001
LPIB 0.000750 0.015762 0.047577 0.9621
LTL -0.000358 0.005442 -0.065867 0.9476
LTC -0.001627 0.003029 -0.537088 0.5921
DU8003 0.010198 0.009229 1.105024 0.2711
LM2(-1) 0.991745 0.017137 57.87226 0.0000
On constate que le Rc,5 2

= 0.999843 (> R2c,4= 0.996023) et s5 = 0.008262 (< s4 = 0.042131).
Comme on a un modèle autorégressif, on ne peut pas regarder directement la statistique DW
car elle est biaisée. Il faut calculer le « h » de Durbin :
T
h=ρ
1 - Tsβ2
1
DW
où ρ = 1 - (DW est la statistique de Durbin et Watson calculée sur le modèle
2
autorégressif) , T est le nombre d’observations et s2β est la variance estimée du coefficient
1
estimé β1 du modèle autorégressif.
Dans la fenêtre COMMAND de Eviews, on tape les lignes suivantes pour le calcul du « h » de
Durbin :
Scalar denominator = 1 – @obs(LM2)*(eq05.@stderrs(6)^2)
où eq05.@regobs désigne le nombre d’observations de l’équation 5 , eq05.@stderrs(6)

désigne l’écart-type du coefficient n°6 de l’équation 5 (les n° correspondant aux coeff des
variables explicatives renvoient à l’ordre dans lequel on a tapé ces coeff dans la fenêtre
d’estimation).
On regarde le résultat de cette commande dans la fenêtre Workfile où il y a un fichier appelé

« denominator ».
14
Si le nombre trouvé est positif (on regarde le nombre qui apparaît en bas de la fenêtre), on
tape dans la fenêtre COMMAND, la formule complète du « h » de Durbin :
Scalar htest = (1-(0.5*eq05.@dw))*sqr(@obs(LM2)/denominator)
Le « h » de Durbin suit asymptotiquement une loi normale. Si on a | htest | > 1.96 ⇒ on

accepte H1 : il y a autocorrélation des erreurs d’ordre 1.
Si le nombre est négatif, on ne peut pas calculer le « h » de Durbin et on suppose que l’on a
une autocorrélation des erreurs qu’il faudra traiter.
On trouve h = 6.566 > 1.96 ⇒ on accepte H1 : il y a autocorrélation des erreurs d’ordre 1.

Date: 02/27/05 Time: 11:10
C 0.065750 0.018320 3.588973 0.0005
LPIB 0.016802 0.013292 1.264054 0.2085
LTL 0.001154 0.004534 0.254440 0.7996
LTC -0.002213 0.002525 -0.876570 0.3823
DU8003 0.011075 0.007689 1.440396 0.1521
LM2(-1) 1.509837 0.071805 21.02697 0.0000
LM2(-2) -0.532105 0.071775 -7.413523 0.0000
On voit que AIC(2) = -7.071716 ( < AIC(1) = -6.712088 ) et SC(2) = -6.923232 ( < SC(1) =
-6.585420)

Date: 02/27/05 Time: 11:14
C 0.066555 0.018898 3.521810 0.0006
LPIB 0.019006 0.013563 1.401379 0.1635
LTL 0.001299 0.004557 0.285021 0.7761
LTC -0.002324 0.002541 -0.914788 0.3620
DU8003 0.011130 0.007731 1.439663 0.1524
LM2(-1) 1.464902 0.086877 16.86171 0.0000
LM2(-2) -0.414733 0.148951 -2.784356 0.0062
LM2(-3) -0.074685 0.085256 -0.876008 0.3827
15
On voit que AIC(3) = -7.055780 ( > AIC(2) = -7.071716) et SC(3) = -6.885271 ( > SC(2) =
-6.923232).
On va retenir le modèle autorégressif avec 2 retards. On calcule le « h » de Durbin :
| h = - 0.6327 | < 1.96
On accepte H0 , il n’y a pas d’autocorrélation des erreurs d’ordre 1 (donc il n’y a pas
d’autocorrélation d’ordre supérieur non plus).
On voit aussi qu’il n’y a plus hétéroscédasticité des erreurs en faisant un test de White sur le
modèle autorégressif avec 2 retards (la probabilité = 0.826825 > 0.05 : on accepte H0 : pas
d’hétéroscédasticité des erreurs).
ATTENTION : on n’ajoute pas la variable indicatrice DU8003 !
White Heteroskedasticity Test:

Obs*R-squared 14.07204 Probability 0.826825
Test Equation:
Dependent Variable: RESID^2
Date: 02/27/05 Time: 12:13
Sample: 1970:3 2004:4
C -0.004058 0.007387 -0.549278 0.5839
LPIB -0.005568 0.009492 -0.586573 0.5586
LPIB^2 -0.006226 0.003790 -1.642934 0.1031
LPIB*LTL -0.000942 0.001455 -0.647513 0.5186
LPIB*LTC 7.77E-06 0.001129 0.006888 0.9945
LPIB*LM2(-1) -0.013992 0.026213 -0.533788 0.5945
LPIB*LM2(-2) 0.026688 0.027158 0.982698 0.3278
LTL -0.001032 0.002683 -0.384702 0.7012
LTL^2 0.000112 0.000270 0.414703 0.6791
LTL*LTC -0.000204 0.000208 -0.978399 0.3299
LTL*LM2(-1) 0.002245 0.008463 0.265225 0.7913
LTL*LM2(-2) -0.001253 0.008617 -0.145383 0.8847
LTC 0.000867 0.001718 0.504514 0.6148
LTC^2 4.30E-05 6.49E-05 0.662838 0.5087
LTC*LM2(-1) -0.000518 0.004425 -0.117135 0.9070
LTC*LM2(-2) 0.000442 0.004447 0.099458 0.9209
LM2(-1) 0.011220 0.031889 0.351828 0.7256
LM2(-1)^2 -0.128416 0.079157 -1.622291 0.1074
16
LM2(-1)*LM2(-2) 0.268933 0.158963 1.691789 0.0933
LM2(-2) -0.004920 0.030843 -0.159508 0.8735
LM2(-2)^2 -0.147019 0.082882 -1.773833 0.0787
R-squared 0.101971 Mean dependent var 4.56E-05
Adjusted R-squared -0.051538 S.D. dependent var 8.17E-05
S.E. of regression 8.38E-05 Akaike info criterion -15.79812
Sum squared resid 8.21E-07 Schwarz criterion -15.35267
9/ MCG :
MCG et autocorrélation des erreurs :
Lorsque l’on a seulement une autocorrélation des erreurs d’ordre 1, on utilise la méthode des
MCG .
On a vu que notre modèle avait à la fois une autocorrélation d’ordre 1 et d’ordre supérieur à 1
qui a été traitée à l’aide du passage au modèle dynamique.
Pour pouvoir pratiquer les MCG sous Eviews, on va faire comme-ci on avait seulement une
autocorrélation d’ordre 1 ici.
Nous allons voir comment utiliser la méthode des MCG sous Eviews pour éliminer une
autocorrélation d’ordre 1.
On a le modèle suivant
LM2t = â0 + â1LPIBt + â2 LTLt + â3LTCt + â4 DU8003
On va dans Quick puis dans Estimate Equation, on tape dans la fenêtre d’estimation
l’instruction suivante :
LM2 C LPIB LTC LTL DU8003 AR(1)
La variable AR(1) dit à Eviews d’estimer le modèle suivant :
LM2t – ρLM2t-1 = a0(1-ρ) + a1(LPIBt – ρLPIBt-1) + a2(LTLt – ρLTLt-1) + a3(LTLt – ρLTLt-1)

+ a4(DU8003t – ρDU8003t-1) + (εt – ρεt-1)
⇒ modèle transformé pour pouvoir appliquer les MCO
Le coefficient de AR(1) correspond à l’estimation du coefficient de corrélation ρ.
On remarque que la statistique de DW s’est fortement améliorée :
17
Date: 02/28/05 Time: 21:22
Convergence achieved after 15 iterations
C 8.873861 1.074857 8.255855 0.0000
LPIB 0.215009 0.090562 2.374173 0.0190
LTL -0.006607 0.012142 -0.544164 0.5872
LTC -0.015578 0.006435 -2.420818 0.0168
DU8003 -0.014486 0.010016 -1.446404 0.1504
AR(1) 0.992652 0.001374 722.3123 0.0000
Inverted AR Roots .99
MCG et hétéroscédasticité des erreurs :
Le modèle estimé suivant a une hétéroscédasticité des erreurs
LM2t = â0 + â1LPIBt + â2 LTLt + â3LTCt + â4 DU8003
Pour éliminer l’hétéroscédasticité du modèle, on utilise la méthode des MCG qui revient à
estimer le modèle transformé suivant à l’aide de la méthode des MCO :
LM2t a0 LPIBt LTL1t LTCt DU8003t εt

= + a1 + a2 + a3 + a4 +
LTL1t LTL1t LTL1t LTL1t LTLt LTLt LTL1t
car la variable jugée responsable de l’hétéroscédasticité est LTL (voir test de White : no cross
terms).
Pour estimer ce modèle, on va dans le fichier où on a rangé l’estimation du modèle en log

composé des variables LM2 C LPIB LTL LTC DU8003.
On clique sur Estimate puis sur Options. On choisit Weighted LS (pour Weighted Least
Squares).On tape dans la case Weight : 1/(LTL)^.5
On vérifie ensuite que l’on a bien éliminé l’hétéroscédasticité en faisant un test de White sur
le modèle transformé.
18
CONCLUSION :
Il y a bien une relation entre les variables M2, PIB, TL et TC. Elle s’exprime à travers ce
modèle estimé :
LM2t = 0.065 + 0.016 LPIBt + 0.001 LTCt –0.002 LTLt + 0.011 DU8003
+ 1.509 LM2t-1 – 0.532 LM2t-2
ATTENTION : l’étude ne se termine pas ici car il faut vérifier aussi que le modèle est stable
sur la période étudiée. Comme ce modèle ne comporte plus d’hétéroscédasticité des erreurs,
nous pouvons faire un test de Chow. Son résultat ne sera pas biaisé.
On rentre une date d’observation. Par exemple : 1981:1 (ce qui représente une taille
d’échantillon d’une quarantaine d’années). Eviews va calculer SCR0 pour la période entière
allant de 1970:1 à 2004:4 puis SCR1 et SCR2 pour les deux sous-périodes suivantes : 1970 :1
à 1980:4 puis 1981:1 à 2004:4.
Pour déterminer la date de rupture, on entre une par une les dates des observations (à partir de
1981 :1 ici jusqu’à 2004 :4) et on note la valeur de la statistique F ainsi que la probabilité
associée. Nous pouvons créer une boucle qui pour chaque date va calculer la statistique F en
allant dans File puis dans New et on choisit Program. On peut aussi taper les lignes
d’instruction dans la fenêtre COMMAND en dessous de la barre de menu.
Pour écrire cette boucle, je vous demande de vous référer au manuel de programmation
intitulé « Command and programming reference » qui est téléchargeable sur internet.
Au final, la date de rupture est déterminée en repérant la valeur du F le plus grand et en

regardant la probabilité associée :
• Si cette probabilité est < 0.05 ⇒ on accepte H1, on a instabilité du modèle et la date de
rupture correspond à la date que l’on a rentré pour le F le plus grand. Par exemple, si on
trouve la date suivante : 1989 :1. On estime alors un modèle pour 1970 :1 jusqu’à 1988 :4
puis un autre modèle pour 1989 :1 jusqu’à 2004 :4.
• Si cette probabilité est > 0.05 ⇒ on accepte H0, le modèle est stable et il n’y a pas de date
de rupture.
19

PRATIQUE1

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

PRATIQUE1

Transféré par

Droits d'auteur :

Formats disponibles

20000

Soit un gouvernement qui aimerait contrôler l’évolution de la demande de monnaie M2 (qui

M2t = b0 + b1PIBt + b2TCt + b3TLt + ut

LM2t = c0 + c1LPIBt + c2LTCt + c3LTLt + υt

Résultats d’estimation donnés par Eviews :

Dependent Variable: LM2

• Modèle 1 et 2 ⇒ critères R2c ("Adjusted R-squared") et s ("S.E. of regression")

R2c,1 = 0.986294 et s1 = 560.4912

Le modèle 2 est meilleur que le modèle 1

• Modèle 2 et 3 ⇒ critère de Box-Cox pour comparer les s

sbox-cox = 0.043337* exp(8.837796) = 296,91 et s2 = 513.4344

Le modèle 3 est meilleur que le modèle 2.

On garde le modèle 3 pour effectuer nos tests.

M2t = 571.23 + 1.48 PIBt pour t = 1970 :1,…, 2004 :4

On sait qu’en 2005 :1, on a la valeur du PIB égale à 12000 mds de $.

On va calculer la valeur de M2 en 2005 :1 .

III/ TESTS CLASSIQUES :

1/ TRAITEMENT DES POINTS ABERRANTS :

Ici, on a s3 = 0.043337 , d’où

On remarque qu’il y a 1 point aberrant important : en 1980:3 .

Correction du point aberrant en 1980:3

On ajoute une variable indicatrice DU8003 au modèle 3 telle que

⎧⎪ 1 pour la date 1980:3

Dependent Variable: LM2

On remarque R2c,4 = 0.996023 et s4 = 0.042131 tandis que Rc,3 2

Il n’y a plus de point aberrant !

Commandes sous Eviews :

GENR period = @trend (on attribue un chiffre à chaque date)

2/ TEST DE NORMALITE DES ERREURS :

α4 = coeff d’aplatissement = kurtosis = 2,391

Commandes sous Eviews :

3/ TEST DE SIGNIFICATIVITE DES COEFFICIENTS :

3.1/ Test de student :

3.2/ Test de Fisher :

On regarde la probabilité associée à la statistique F , on a

Prob(F-statistic) = 0,0000 < 0,05 (5%)

L’hypothèse H1 est acceptée : l’ensemble des variables explicatives est significatif.

LM2 LPIB LTL LTC

LM2 1.000000 0.341983 -0.334667 -0.324405

Commandes sous Eviews :

5.1/ Test de White :

ATTENTION : on ne prend pas en compte la variable indicatrice dans le modèle !

White Heteroskedasticity Test:

On regarde la probabilité associée à la statistique de test TR² ("Obs*R-squared"), on a

Probability = 0.000283 < 0.05 (5%)

On accepte l’hypothèse H1 : il y a hétéroscédasticité des erreurs.

On rappelle que TR² ~> χ²(8) car on a 8 contraintes (=0) .

Le "Chow breakpoint test" :

Chow Breakpoint Test: 1981:1

On ne met pas la variable indicatrice DU8003 (sinon message d’erreur).

Il y a instabilité du modèle car la probabilité associée à la statistique F est < 0.05

7/ TEST D’AUTOCORRELATION DES ERREURS :

La statistique de DW pour le modèle 4 est

Est ce que cette autocorrélation des erreurs est dûe à :

• la présence de points aberrants

Date: 02/26/05 Time: 19:19

Il y a autocorrélation des erreurs d’ordre supérieur à 1 car on a la probabilité pour chaque

La détermination du retard L se fera à l’aide de la minimisation des critères Akaike(AIC) et

On constate que le Rc,5 2

estimé β1 du modèle autorégressif.

Commandes sous Eviews :

Scalar denominator = 1 – @obs(LM2)*(eq05.@stderrs(6)^2)

où eq05.@regobs désigne le nombre d’observations de l’équation 5 , eq05.@stderrs(6)

On regarde le résultat de cette commande dans la fenêtre Workfile où il y a un fichier appelé

Scalar htest = (1-(0.5eq05.@dw))sqr(@obs(LM2)/denominator)