MASTER EN MANAGEMENT DE LA TRANSFORMATION DIGITALE

PROJET No2 D’ECONOMETRIE APPLIQUEE

MEMBRES DU GROUPE :
AKAKPO Ronel
BA Karim
GNANG Aissatou

CHARGE DU COURS : Dr Daouda Diouf

ANNEE ACADEMIQUE : 2022-2023

 RESULTATS AU PROJET 2

Pour ce projet nous avons spécialement travaillé avec le logiciel Eviews.

Pour chaque consigne nous rappellerons les commandes utilisées.

1. Visualisation des données au moyen d'un graphique

Afin de mieux visualiser les données ; nous utiliserons le nuage de points des variables
revdismn et ventes. Sur eviews Quick →graph →series list (inv pib) →scatter puis Ok

28

24

20

16
VENTES

12

0
2,000 2,400 2,800 3,200 3,600 4,000

REVDISMN

Graphique 1 : Représentation du nuage de points des variables revdismn et ventes

2. Création des variables LV et LR égales aux logarithmes népériens des variables

initiales et visualisation au moyen d’un graphique des logarithmes de ces
variables
Afin de calculer le log de chaque variable on va dans Quick→generates
series→LV=log(ventes) et à nouveau Quick→generates series→ LR=log(revdismn)
 9

0
2006 2007 2008 2009 2010 2011 2012 2013 2014

LV LR

Graphique 2 : Représentation en barres des logarithmes népériens des ventes et du

revdismn

3. Test d’hypothèse de corrélation linéaire entre les variables LV et LR

Quick →show et saisir les variables LV et LR puis Ok. Sur le tableur on clique sur
view→covariance analysis→on coche correlation et probability. On obtient le résultat
ci-après :

Covariance Analysis: Ordinary

Date: 11/23/22 Time: 11:09
Sample: 2006 2014
Included observations: 9

Correlation
Probability LV LR
LV 1.000000
-----

LR 0.997535 1.000000
0.0000 -----
Le test du coefficient de corrélation linéaire se base sur les hypothèses suivantes :
H0 : les variables x et y ne sont pas correlées ;
H1 : les variables x et y sont correlées.
Le coefficient de corrélation linéaire est de 0.9975 avec une probabilité critique nulle.
Comme la probabilité est inférieure à 5% on rejette l’hypothèse H0. Les variables sont
donc correlées positivement.

4. Estimation des coefficients du modèle suivant par la méthode des moindres carrés
ordinaires.

Sur eviews on clique sur Quick→estimate equation puis on saisit dans l’ordre ln(ventes)
c ln(revdismen). On obtient les résultats suivant :

Dependent Variable: LV
Method: Least Squares
Date: 11/23/22 Time: 11:17
Sample: 2006 2014
Included observations: 9

Coefficie
Variable nt Std. Error t-Statistic Prob.

C -31.68159 0.899229 -35.23195 0.0000

LR 4.257105 0.113193 37.60942 0.0000

R-squared 0.995076 Mean dependent var 2.129099

Adjusted R-
squared 0.994372 S.D. dependent var 0.819784
Akaike info
S.E. of regression 0.061500 criterion -2.546427
Sum squared resid 0.026476 Schwarz criterion -2.502599
 Hannan-Quinn
Log likelihood 13.45892 criter. -2.641007
F-statistic 1414.468 Durbin-Watson stat 1.472250
Prob(F-statistic) 0.000000

Les paramètres estimés sont indiqués dans la colonne coefficient : β1= -31.68159 et
β2=4.257105.

5. Détermination des intervalles de confiances à 90% et 99%

Sur eviews on clique sur view→coefficient diagnostics→confidence intervals. On
obtient les résultats ci-après :

Coefficient Confidence Intervals

Date: 11/23/22 Time: 11:23
Sample: 2006 2014
Included observations: 9

90% CI 99% CI
Coefficien
Variable t Low High Low High

C -31.68159 -33.38525 -29.97793 -34.82843 -28.53476

LR 4.257105 4.042653 4.471557 3.860990 4.653221

A 90% et 99%, les coefficients β1 et β2 sont tous compris dans leur intervalle de
confiance. Ils sont donc fiables.

6. Interprétation économique des paramètres estimés pour chaque coefficient de

régression.
β1 : Cette constante n’a pas d’interprétation économique
β2 : Cest l’élasticité des ventes par rapport au revenu disponible des ménages. Si le
revenu disponible des ménages augmente de 1% les ventes augmentent de 4,25 %. De
même si le revenu disponible des ménages augmente de 10% alors les ventes
augmentent de 42,5%, toute chose égale par ailleurs.

7. Interprétation du coefficient β2 et résultat du test de Student

Le coefficient β2 représente l’élasticité des ventes par rapport au revenu disponible des
ménages. Si le revenu disponible des ménages augmente de 1% les ventes augmentent
de 4,25 %. Le test de student effectué sur le coefficient β2 permet de mesurer la
significativité du revenu disponible des ménages dans le modele et son impact sur les
ventes. La probabilité critique est inférieure à 5% pour la variable ln(revdismen). On
conclut donc que le revenu disponible des ménages a un impact positif significatif sur
les ventes.

8. Interprétation des résultats du test de Fisher et du R²

Test de Fisher de significativité globale du modèle
La statistique de Fisher est égale à 1414.468 avec une probabilité critique nulle. Comme
cette dernière est inférieure à 5%, on conclut que le modèle est globalement significatif.
Le revenu disponible des ménages à globalement un impact significatif sur les ventes.
Interpretation du R2
R2=0.99
On peut conclure que la variabilité des ventes est expliquée à 99% par la variablité du
revenu disponible des ménages (variable explicative). Cette valeur n’indique rien sur la
qualité du modèle.

9. Interprétation des résultats du test de White, Ramsey et Cusum

Test de White
H0 : les résidus du modèle sont homoscédastiques
H1 : les résidus du modèle sont hétéroscédastiques
Dans eviews view→residual diagnostic→heteroscedasticity test. On obtient les résultats
ci-après :

Heteroskedasticity Test: White

F-statistic 1.581237 Prob. F(1,7) 0.2489

Obs*R-squared 1.658401 Prob. Chi-Square(1) 0.1978
Scaled explained SS 0.487025 Prob. Chi-Square(1) 0.4853

Le test de White sans terme croisé permet d’obtenir une statistique de White (Obs*R-
squared) = 1.658401. Comme la probabilité est de 24% supérieure à 5%, on ne rejette
pas l’hypothèse nulle H0. Les résidus du modèle sont donc homoscédastiques.

Test de Ramsey
H0 : le modèle est correctement specifié
H1 : Le modèle n’est pas correctement specifié
Sur eviews : view→stability diagnostic→Ramsey reset test→number of fitted terms (1).
On obtient les résultats ci-après :

Ramsey RESET Test

Equation: UNTITLED
Specification: LV C LR
Omitted Variables: Squares of fitted values

Value df Probability
t-statistic 1.192126 6 0.2782
F-statistic 1.421164 (1, 6) 0.2782
Likelihood ratio 1.913188 1 0.1666

La statistique de Ramsey F stat= 1.4211. Comme la probabilité critique (27.8%) est

supérieure à 5% on ne rejette pas l’hypothèse nulle H0. La fonction des ventes est
correctement specifiée.
Test de CUSUM (figure de Cusum, la courbe sort-elle du corridor ? le modèle est-il
stable ?)
La règle de décision est la suivante :
Si la courbe ne coupe pas les bords du corridor alors le modèle est stable. Si la courbe
coupe les bords du corridor alors le modèle est instable. Dans ce cas la courbe indique
la periode d’instabilité.
Sur eviews→view→stability diagnostic→recursive estimates puis choisir CUSUM
test→Ok. On obtient le graphique ci-après :
8

-2

-4

-6

-8
2008 2009 2010 2011 2012 2013 2014

CUSUM 5% Significance

Graphique 3 : Représentation du test de stabilité de CUSUM

On remarque que la courbe ne coupe pas le corridor, le modèle est

structurellement/ponctuellement stable.

10. Simulation du modele

La simulation s’obtient après que la regression est été faite- double clique sur resid
 3.5

3.0

2.5
.12
2.0
.08
1.5

.04
1.0

.00 0.5

-.04

-.08
2006 2007 2008 2009 2010 2011 2012 2013 2014

Residual Actual Fitted

Graphique 4 : Simulation du modèle suivant les valeurs prédictes

Le modèle peut être considéré comme ayant un bon pouvoir prédictif. La simulation du
modèle est bonne.

11. Estimation de la croissance des ventes en 2015 et 2016 s’il est prévu une
croissance de 1,5% du revenu disponible des ménages chaque année.
Une croissance annuelle de 1.5% du revenu disponible des ménages permet d’obtenir
pour les années 2015 et 2016 des valeurs respectives de 3781.89 et 3838.61.
Pour répondre à cette question nous avons à nouveau saisi les données cette fois ci de
2006 à 2016. On obtient les données ci-après :
Date ventes revdismn
2006 2.445 2128
2007 3.376 2261
2008 4.667 2428
2009 6.401 2669
2010 8.401 2839
2011 11.909 3013
2012 15.959 3195
2013 20.65 3479
2014 25.811 3726
2015 3781.89
2016 3838.61
A partir des nouvelles données nous calculons de nouveau LV et LR ; nous estimons le
modèle puis on clique sur Forecast→series to forecast→choisir variable à prédire
Forecastname : saisir le nom à donner à la prévision (nous l’appellerons LVPRED)

Intervalle de prévision

4.0
Forecast: LVPRED
3.5 Actual: LV
Forecast sample: 2006 2016
3.0 Included observations: 9
Root Mean Squared Error 0.054238
2.5 Mean Absolute Error 0.047357
Mean Abs. Percent Error 2.440336
2.0 Theil Inequality Coefficient 0.011975
Bias Proportion 0.000000
1.5 Variance Proportion 0.001234
Covariance Proportion 0.998766
1.0

0.5
06 07 08 09 10 11 12 13 14 15 16

LVPRED ± 2 S.E.

La Mean abs percent Error (erreur absolue moyenne en pourcentage) et le critère U de

Theil permettent d’apprécier les performances prévisionnelles. La Mean abs percent
Error fait moins de 3%, le critère U de Theil est proche de 0. Le modèle a donc de bonnes
performances previsionnelles.
La prévision
Sur eviews→quick→graph→LV LVPRED

3.5

3.0

2.5

2.0

1.5

1.0

0.5
06 07 08 09 10 11 12 13 14 15 16

LV LVPRED

Graphique 5 : Prévision des logventes (LVPRED) en fonction des series observées

tenant compte des années 2015 et 2016
Le graphique ci- dessus retrace les séries observées en bleu et la prévision en rouge.
Afin de visualiser les valeurs prédites sur eviews on clique sur :
Quick→show→LVPRED. Ci-dessous dans le tableau, nous résumons l’ensemble des
données générées pour cette consigne

Date ventes LV revdismn LR LVPRED

2006 2.445 0.894045 2128 7.662938 0.940339
2007 3.376 1.216692 2261 7.723562 1.198424
2008 4.667 1.540516 2428 7.794823 1.501788
2009 6.401 1.856454 2669 7.889459 1.904664
2010 8.401 2.128351 2839 7.951207 2.167531
2011 11.909 2.477294 3013 8.010692 2.420763
2012 15.959 2.770023 3195 8.069342 2.670445
2013 20.65 3.027715 3479 8.154500 3.032971
2014 25.811 3.250801 3726 8.223091 3.324967
2015 3781.89 8.237979 3.388350
2016 3838.61 8.252866 3.451723
Les valeurs prédites du logarithme népérien des ventes de 2015 et 2016 sont
respectivement de 3.3883 et 3.4517.