Académique Documents
Professionnel Documents
Culture Documents
1- Introduction
Le contrôle des mouvements de capitaux permet à un pays donné de conserver l’épargne
nationale afin de financer son investissement et de créer des emplois. Il permet également
d’éviter l’évasion fiscale. Dans le contexte de libéralisation du marché des capitaux, Feldstein et
Horioka (1980) ont cherché à évaluer le degré de mobilité des capitaux internationaux à long
terme sur la base d’une analyse du lien entre l’Investissement et l’Epargne des pays de
l’OCDE. Feldstein et Horioka ont donc proposé d’analyser la corrélation entre le taux
d’épargne et le taux d’investissement afin de déterminer si les économies ont un
comportement proche de celui d’une économie fermée ou, au contraire, si les marchés des
capitaux peuvent être considérés comme parfaitement intégrés.
2- Cadre d’analyse
1- introduction
Le premier janvier 1999, onze pays (l’Allemagne, l’Autriche, la Belgique, l’Espagne, la
Finlande, la France, l’Irlande, l’Italie, Luxembourg, le Pays-Bas et le Portugal ont adhéré à
l’Union Economique et Monétaire (UEM). L’adhésion de ces pays a été conditionnée au respect
des critères de convergence définis dans le cadre du traité de Maastricht. Les 11 pays ont
constitué une zone monétaire et la politique monétaire de l’ensemble est dirigée par la Banque
Centrale Européenne. Le but de l’UEM est de constituer une zone monétaire optimale.
2- Le Modèle de Solow
Le modèle de croissance de Solow constitue un des modèles de base de l’analyse de la
croissance économique de long terme. Elle correspond au cas d’une économie fermée avec un
taux d’épargne exogène.
3- Analyse empirique
Le modèle de Solow permet de caractériser, d’une part l’équilibre de long terme d’une
économie, et d’autre part, la dynamique d’ajustement vers cet équilibre. Deux équations sont
ainsi définies : la première correspondant à la caractérisation de l’équilibre, la seconde à la
condition de convergence vers cet équilibre.
4. Test d’Hausman
Avec le test d’Hausman, on teste l’hypothèse d’une covariance nulle entre les variables
explicatives et les aléas. Sous l’hypothèse , les estimateurs des MCO et des Variables
Instrumentales sont convergents, l’estimateur des MCO étant plus précis. Sous l’hypothèse ,
la covariance est non nulle et l’estimateur des MCO est biaisé et non convergent, tandis que
l’estimateur des Variables Instrumentales est convergent. Les tests consiste à vérifier si l’écart
L’estimateur des MCO équation par équation est BLUE lorsque les hypothèses suivantes sont
vérifiées: ; et
. Sous ces hypothèses, la matrice de variance-covariance des aléas du système s’écrit :
Lorsque les corrélations des aléas inter-équations sont non nulles, l’estimateur des MCO n’est
pas efficace. On applique dans ce cas, la méthode SUR (Seemingly Unrelated Regressions). Il
s’agit de la méthode MCG appliquée à un système de N équations.
Le système devient
par
B
Le modèle permet d’obtenir , avec
et . ( est appelé Forme Réduite du Modèle (FRM) . Ainsi, la (FRM)
passage à la (FRM) permet d’expliquer pourquoi on ne peut pas estimer chaque équation d’un
modèle à équations simultanées avec l’estimateur des MCO. L’estimateur des MCO de la
fonction de demande est biaisé et non convergent.
3. Problème de l’identification
Le problème de l’identification peut être examiné à partir de la FRM. Sous cette forme le
modèle peut être estimé avec la méthode des MCO. L’estimateur des MCO des paramètres de
la FRM est convergent. Cependant, la connaissance de la FRM ne permet pas toujours de
déterminer la FSM. Nous distinguons trois types d’équations : des équations non identifiées,
des équations exactement identifiées et des équations sur-identifiées. On ne peut estimer que des
équations de la FSM exactement identifiées ou sur-identifiées.
Une façon rapide de déterminer l’identification d’un modèle consiste à appliquer les conditions
d’ordre et de rang.
Pour une équation, soit J le nombre de variables exclues et G le nombre d’équations.
Condition d’ordre : Si alors l’équation est identifiée.
Condition de rang : La condition de rang consiste à conserver les colonnes du tableau des
coefficients de la FSM où apparaissent les restrictions. On construit ainsi une matrice des
coefficients notée dont il faut déterminer si le rang est égal à .
5. Test de spécification
Deux tests de spécification sont présentés : un test lié aux contraintes de sur-identification et un
test d’exogénéité des variables explicatives.
Les aléas du modèle ne sont pas hétéroscédastiques, il n’y a pas de corrélation des aléas entre
les individus mais par un individu, il y a une autocorrélation des aléas.
Parmi les estimateurs non biaisés de l’estimateur des MCG est le plus précis.
Pour estimer le modèle (7), avec les MCG, il faut déterminer la matrice de transformation et
donc la matrice avec . La transformation pour est :
(5.9)
4. Estimation
L’approche la plus simple consiste à éliminer les effets individuels aléatoires en estimant
avec les MCO le modèle Within ou avec les MCG le modèle en différence première.
En effet, on obtient un estimateur sans biais et convergent des paramètres es estimant avec la
méthode des MCO le modèle
Les aléas du modèle sont homoscédastiques et non autoccorrélés selon nos hypothèses sur les .
Cette solution est possible lorsqu’il n’y a pas de variable explicative stable dans le temps
c’est- à-dire telle que . Dans le modèle Within et dans le modèle en différence ce
type de variable disparaît. Dans ce cas il est préférable d’appliquer la méthode des variables
instrumentales.
2. Test de corrélation entre les effets individuels et les variables explicatives
Le test d’Hausman peut être utilisé pour tester la corrélation entre les aléas et les variables
explicatives. Sous l’hypothèse nulle et sous l’hypothèse
alternative .
1.1 Exemples :
Un modèle de série temporelle univariées décrit le comportement d’une variable en termes de
ses variables passés. Par exemple :
(6.1) (6.2)
(6.3)
Le (5.1) correspond à un modèle autorégressif d’ordre noté . Le (5.2) est un modèle de
moyenne mobile d’ordre , et le dernier est un modèle de moyenne mobile autorégressif
noté quelconque. On a (6.4) où
est l’opérateur de décalage .
Soit et deux polynômes en de degrés respectifs et :
Si les racines de ont un module inférieur à 1 alors la forme du processus
s’écrit : avec (6.5)
De même si les racines de ont un module inférieur à 1, la forme est donnée
par avec (6.6)
La condition que les racines de restent dans le cercle unitaire est la condition de
stationnarité de la série, et la condition que les racines de restent dans le cercle
unitaire est la condition d’invertibilité. Dans un la condition de stationnarité est
et la condition d’invertibilité est
(6.7)
La fonction d’autoccorrélation partielle correspond à la corrélation entre et lorsque la
partie expliquée par les variables est omise, elle est calculée de la manière
suivante
(6.8)
La représentation de la fonction d’autocorrélation c’est-à-dire le corrélogramme de la série et de
sa fonction d’autocorrélation partielle permet d’identifier les caractéristiques de la série. Un
processus a une fonction d’autocorrélation qui décroît de manière exponentielle et /ou
sinusoïdale et une fonction d’autocorrélation partielle qui décroît de manière exponentielle
et/ou sinusoïdale.
(6.12)
Ou de manière équivalente
(6.13)
Avec et .
Si l’hypothèse nulle , avec comme hypothèse alternative , n’est pas refusé alors
contient une racine unitaire. Pour tester cette hypothèse on calcule la statistique de Dickey
Fuller .
Le test peut également être effectué lorsque le modèle contient un trend
(6.14)
Dans les deux tests présentés (DF et ADF), sous l’hypothèse nulle, la série n’est pas
stationnaire. Elle contient donc une racine unitaire et la série doit être différenciée afin d’être
stationnariser.
Sous la série est trend stationnaire tandis que sous elle est non stationnaire.
Pour effectuer ce test on régresse la série sur une constante et un trend afin calculer la série
des résidus . On construit ensuite la statistique
et on calcule la statistique , (6.18)
Avec la variance de long terme des résidus . Cette variance de long terme est définie par :
. Elle prend en compte toutes les autocorrélations des résidus. L’estimation
de la variance de long terme d’une série stationnaire de moyenne nulle peut être réalisée à partir
du calcul suivant
Pour terminer, lorsque le nombre de séries est supérieur à 2 il est possible d’obtenir des séries,
intégrées d’ordre différents, coïntégrées. Par exemple, soit la série et les séries et
. Si les séries et sont cointégrées avec un vecteur de cointégration , c’est-à-
dire est alors, il peut exister un vecteur de cointégration tel que
est . De manière générale, soit le nombre de séries, il peut exister vecteurs de
cointégration linéairement indépendants et donc relation qui gouvernent l’évolution
jointe des variables. Lorsque le nombre de variable devient supérieur à 2 l’approche de Engel et
Granger devient insuffisante car elle ne considère qu’une relation de cointégration. On utilise
dans ce cas l’approche développpé par Johansen pour réaliser les tests de cointégration et
construire un VECM à plusieurs équations.
1.1 Introduction:
De manière générale dans un modèle de choix binaire, on considère des individus qui ont le
choix entre deux alternatives et on cherche à modéliser la probabilité qu’un individu choisit une des
alternatives. On observe une décision représentée par la variable qui peut prendre deux valeurs 0 ou
1 et on note la probabilité que soit égale à 1. (7.1)
Une probabilité est comprise entre 0 et 1, par conséquent le modèle doit vérifier les deux conditions
suivantes : et (7.2)
(7.7)
1.4.1 Les effets marginaux lorsque les variables explicatives sont continues
Pour mesurer l’impact d’une variation d’une variable explicative sur la probabilité on doit calculer
(7.13). Si le modèle estimé est un modèle probit
(7.14). Si c’est un modèle logit (7.15)
Ces effets marginaux peuvent être calculés pour chaque individu. Cependant, pour simplifier la
présentation des résultats, on évalue souvent ces effets marginaux au point moyen , ou pour un
niveau de probabilité initial donné.
1.4.2 Les effets marginaux lorsque les variables explicatives sont qualitatives
Si dans le modèle (7.1) il y a une variable explicative qualificative, on ne peut pas appliquer la
procédure précédente pour mesurer son impact sur la probabilité . Par exemple, faisons intervenir la
variable explicative indiquant le sexe de l’individu. Cette variable prend deux valeurs :
si l’individu est de sexe masculin et si l’individu est de sexe féminin. Le modèle
s’écrit alors (7.16)
Et son estimation avec la méthode du maximum de vraisemblance donne
.
(7.17)
Au point moyen, et , pour évaluer l’impact de la variable sur la probabilité de
poursuivre ses études, on mesure, dans un premier temps, la probabilité qu’un individu de sexe
masculin choisit de poursuivre ses études, on la note . Dans un second temps, on calcule cette
probabilité pour un individu de sexe féminin, on la note . Dans le cas d’un modèle probit
L’effet du sexe sur le choix de l’individu est mesuré par l’écart entre les deux probabilités : .
Si le modèle est un modèle logit, on remplace les paramètres par et la fonction par la
fonction .
(7.20)
Avec et .
Les moments d’une variable aléatoire tronquée sont donnés par :
(7.21)
Dans le cas d’une variable aléatoire distribuée selon une loi normale d’espérance et de variance ,
on obtient
(7.20) et (7.21) Avec .
Soit , appelé inverse du ratio de Mills, le problème consiste à évaluer le modèle tronqué :
(7.25) avec et . Ce
modèle est constitué d’une partir linéaire et d’une partie non linéaire par rapport aux variables
explicatives.
(7.26)
Et le logarithme de la fonction de vraisemblance est donné par :
(7.27)
(7.28)
(7.39)
Le modèle est non linéaire et on utilise le maximum de vraisemblance pour évaluer les paramètres.
(7.41)
Les conditions du premier ordre permettent de calculer les paramètres et . Il s’agit alors de
résoudre un système d’équation non linéaire.
Avec et .
Problème1
On considère le modèle M1 de marché composé des deux équations suivantes :
Fonction de demande : et Fonction d’offre :
. On suppose que ; et
. On dispose d’un nombre d’observations N pour chaque variable.
Variables endogènes : Q et P ; Variables exogènes : R, Ps et Pf.
1- a) Donne la forme structurelle du modèle M1 (FSM)
b) Donne la forme réduite du modèle M1 (FRM).
c) Justifie que le modèle M1 est sur-identifié
2- M2 : t .
Justifie que les équations du modèle M2 ne sont pas identifiées.
3- M3 : t .
Justifie que les équations du modèle M3 sont exactement identifiées.
4- En utilisant, les conditions d’ordre et de rang, retrouve les résultats de 1-c) ; 2-) et 3-).
5- Estime par la méthode des DMC, les paramètres de l’équation de la demande de M1
6- a. La méthode des DMC de 5-) prend-il en compte les corrélations éventuelles entre les aléas
de l’équation d’offre et de l’équation de la demande ? Si des corrélations existent entre ces aléas,
quelle méthode d’estimation est plus efficace pour M1 ?
b. Donne une estimation du modèle M1 par la méthode des TMC.
Problème2
1) Démontre que la marche aléatoire est non stationnaire
2) en posant , démontre que la marche aléatoire est
stationnaire.
3) Démontre que la série est non stationnaire.
4) Comment faire pour stationnariser la série
5) Présente la stratégie du test de ADF.
paramètre à estimer :
1) Démontre que
2) Donne l’expression de dans un modèle probit et dans un modèle logit.
3) Pour chacun des modèles probit et logit, détermine les conditions du premier ordre de la fonction
Log-vraisemblance permettant d’avoir une estimation de et la matrice de variance covariance.
4) Donne alors une estimation de la probabilité dans chaque cas.
5) On suppose que les variables et sont continues.
a-) Comment mesurer l’impact d’une variation de ou sur la probabilité de poursuivre ses
études en utilisant un modèle logit ou probit.
b-) Pour un niveau de probabilité initial égal à 0,2, explique la procédure permettant de mesurer
l’impact d’une variation de sur la probabilité de poursuivre ses études.
6) Désignons par la variable explicative indiquant le sexe de l’individu i. Cette variable prend
deux valeurs : si l’individu est de sexe masculin et si l’individu est de sexe
féminin. Le modèle s’écrit alors (2).
Résultats1
1- a) Forme structurelle du modèle M1 (FSM) :
L’écriture de la Forme Structurelle du Modèle (FSM) est sous la forme :
B
-b) Forme réduite du modèle M1 (FRM).
L’écriture , avec et est la Forme
Réduite du Modèle (FRM) . Ainsi, la FRM du modèle M1 s’écrit
où ; et
Résultat 2
1) Démontrons que la marche aléatoire est non stationnaire
Pour une valeur initiale donnée, peut s’écrire . Or
si , et avec alors et
.
L’espérance et la variance de étant des fonctions de t, la série est non stationnaire. Elle a
une racine unitaire c'est-à-dire qu’elle est intégrée d’ordre 1.
2) Démontrons que est stationnaire en posant .
Si alors on a : . Comme ,
et avec alors on déduis que
est une série stationnaire en posant .
3) Démontrons que la série est non stationnaire.
On a : , et avec
. On note que la variance de ne dépend pas de t, elle est égale à la variance de l’aléa
supposée constante mais que l’espérance de est une fonction de t. D’où
est non stationnaire.
4) Stationnarisation de la série
Pour stationnariser le processus , on peut estimer avec la méthode des MCO
les paramètres . Le processus est alors stationnarisé en calculant .
5) Présentons la stratégie du test de ADF.
On reprend ici la stratégie de test proposée par Harvey.
(i) La première étape, consiste à estimer le modèle dans sa forme la plus générale,
et à utiliser la statistique pour tester
l’hypothèse nulle . Si l’hypothèse nulle d’une racine unitaire est rejetée la série est
stationnaire.
(ii) La seconde étape s’applique lorsque l’hypothèse nulle n’est pas refusée. Il est dans ce cas
nécessaire de tester, avec la statistique , si et pour confirmer les résultats de tester avec
la statistique les hypothèses . Si le trend est significatif, on reprend le test de
racine unitaire, c’est-à-dire on teste à nouveau l’hypothèse nulle en utilisant une loi
normale. Si l’hypothèse nulle de racine unitaire est rejetée on conclut que la série est
stationnaire. A l’inverse si l’hypothèse est acceptée on conclut que la série contient une racine
unitaire.
Résultat 3
1) Démontrons que
Dans le modèle logit, Les conditions du premier ordre et la matrice de variance-covariance s’écrient :
et
4) Donnons alors une estimation de la probabilité dans chaque cas.
Modèle probit : La probabilité estimée pour chaque individu est avec le
vecteur de paramètre du modèle probit estimé avec la méthode du maximum de vraisemblance.
Modèle logit : On évalue la probabilité avec avec le vecteur de paramètres
du modèle logit estimé avec la méthode du maximum de vraisemblance.
5) a-) Mesure de l’impact d’une variation de sur la probabilité de poursuivre ses études.
si et , l’impact d’une variation de la variable sur la probabilité de poursuivre
ses études est donné par ). Pour le modèle probit, on a :