Econométrie Appliquée

DIRECTION DE LA PREVISION ET DE L’ANALYSE CONJONCTURELLE

 Econométrie Appliquée: Outil de
prévision et Application sur EViews
Auteur: Tsiriheriniaina RAKOTOARIMANANA ,Economiste

Résumé
Ce document présente les différentes préceptes utilisés dans l’économétrie appliqué notam-
ment ceux relatives aux domaines de la prévisions. L’objectif est de familiariser l’utilisateur à
l’économétrie afin qu’il en fasse un outil de prévision et aussi de simulation. Ce document se
penchera davantage sur le côté pratique que théorique. A cet effet, Des illustrations sur des donnés
réelles y sont mises en avant avec usage du logiciel EViews. Chaque section est donc suivi d’une
application pour que les sous sections pratiques soient biens ancrés. Les données sur le secteur réel
de la comptabilité National seront utilisées à cet effet. Une prévision de la croissance sera aussi
faite en utilisant la théorie de croissance endogène qui s’illustre par la fonction Cobb Douglas.
Table des matières

I Modèle Univarié 8
I.a Généralité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
I.a.1 Processus ou série stationnaire . . . . . . . . . . . . . . . . . . . . . . . 9
I.a.2 Modèle ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
I.b Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
I.b.1 Illustration I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
I.b.2 Illustration II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

II Modèle Multivarié (cas des VAR et S-VAR) 35

II.a Généralité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
II.b Concept théorique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
II.b.1 Modèle VAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
II.b.2 Modèle SVAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
II.c Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

III Extension des Modèles Multivariés (ARDL) 47

III.a Concept . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
III.b Approche théorique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
III.c Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

IV CONCLUSION 55
Table des figures
1 Exemple d’une série temporelle . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Série stationnaire vs non-stationnaire . . . . . . . . . . . . . . . . . . . . . . . 9
3 Stratégie des tests de racine unitaire . . . . . . . . . . . . . . . . . . . . . . . . 14
4 correlogramme d’un processus AR(1) . . . . . . . . . . . . . . . . . . . . . . . 20
5 correlogramme d’un processus ARMA(1,1) . . . . . . . . . . . . . . . . . . . . . 21
6 Graphique de la serie INFL1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
7 Résultat des tests sur le modèle [3] . . . . . . . . . . . . . . . . . . . . . . . . . 27
8 Résultat des tests sur le modèle [2] . . . . . . . . . . . . . . . . . . . . . . . . . 28
9 Résultat des tests sur le modèle [1] . . . . . . . . . . . . . . . . . . . . . . . . . 28
10 Correlogramme de la série INFL1 . . . . . . . . . . . . . . . . . . . . . . . . . 29
11 Correlogramme de residu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
12 Graphe de la série agri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
13 Résultat des tests de stationnarité du modèle[3] de la série AGRI . . . . . . . 32
14 Résultat des tests de stationnarité du modèle[2] de la série AGRI . . . . . . . 32
15 Résultat des tests de stationnarité du modèle[2] de la série AGRI . . . . . . . 32
16 Résultat des tests de stationnarité pour la série en difference première . . . . 33
17 Corrélogramme de la série agri en difference première . . . . . . . . . . . . . 33
18 Output de l’estimation du modèle retenu . . . . . . . . . . . . . . . . . . . . . 34
19 Corrélogramme de residu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
20 base de données extérieures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
21 Extraction des variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
22 Inflation et M3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
23 Test UR sur l’Inflation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
24 Test UR sur M3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
25 Spécification du VAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
26 Spécification du retard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
27 detection du retard optimal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
28 Spécification du VAR optimal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
29 Test de stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
30 Test d’autocorrélation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
31 Test de Portementau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
32 Test d’hétéroscédasticité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
33 Test de causalité de Granger . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
34 Sépcification du SVAR et de la restriction . . . . . . . . . . . . . . . . . . . . . 46
35 Résultat de l’estimation du SVAR . . . . . . . . . . . . . . . . . . . . . . . . . . 46
36 Fonction de réponse impulsionnelle . . . . . . . . . . . . . . . . . . . . . . . . 47
37 Dynamique des variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
38 Spécification du Modèle ARDL . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
39 ARDL (1,0,1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
40 Test aux bornes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
41 Modèle à correction d’Erreur . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
42 Fenetre de prévision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
43 Prévision du taux de croissance . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
44 Comparaison avec le scénario de reférence . . . . . . . . . . . . . . . . . . . . 55
Introduction

La prévision c’est l’action de prédire l’avenir sans pour autant s’écarter de la réalité. C’est à
travers cet optique que le présent manuel sera rédigé. Il est de connaissance commune
qu’il est pratiquement impossible de deviner exactement le futur bien qu’on dispose d’un
maximum d’information. C’est logique puisque ces informations qu’on disposent peuvent
être entachés d’erreur ou partiellement vraies. Au final, l’accumulation de ces informations
rend les données moins bonnes donc induit le plus souvent des erreus d’appréciation. A
cet effet, il est tout a fait normal que les décisions prises aujourd’hui auront des impacts
non anticipés sur l’avenir et que ,parfois, on se trouve confronté à des évènements que l’on
s’attend le moins. C’est là que les différentes techniques de prévision interviennent et que
l’expérience du modélisateur doit y jouer. D’où l’adage, la prévision est un art.
Prévoir n’est donc pas aussi simple que l’on imaginait. Ce n’est pas non plus aussi
compliqué que l’on pense. Il faut juste utiliser les bonnes techniques mais non celle qui est la
plus complexe ni la plus simple. Dès fois la technique simple est la meilleure. Cependant, les
méthodes les plus complexes, celles qui introduisent des artifices , nous offrent des résultats
satisfaisantes puisqu’ils tiennent en compte des mécanismes de transmissions qui s’apparent
de la réalité.
Cela suppose alors que les résultats des prévisions dépendent de la façon dont l’évè-
nement a été modélisé. En d’autre terme, il faut avoir un bon modèle pour obtenir de
bonnes prévisions. La modélisation est aussi un art car les phénomènes étudiés peuvent
être complexes et gouvernés par des aléas et que quelque fois les règles qui régissent les
phénomènes ne sont pas violées. Cela exige ainsi une meilleure appréhension de la réalité et
de ces phénomènes ainsi que le savoir-faire sur la mise en relation des faits et des données.
L’économétrie des séries temporelles dispose à cet effet d’une panoplie d’outils capable
de modéliser l’économie. Aussi, à chaque phénomène correspond un modèle qui lui est
approprié. Quant aux choix de ce dernier, le verdict revient alors au modélisateur qui va
user de son expérience et de ses talents.
Les lecteurs cibles sont supposés connaitre les règles de base de l’économétrie classique à
savoir les différents tests statistiques utilisés en régression linéaire simple et multiple, et les
différentes méthodes d’estimations telles que la moindre carrée ordinaire et la méthode du
maximum de vraisemblance.
Le présent document offre une introduction à l’économétrie des séries temporelles partant
de la modélisation univariée vers des extensions appartenant à la classe de l’économétrie
moderne. Il ne prétend pas remplacer un manuel pédagogique ni un guide d’utilisation
du logiciel EViews. L’objectif est simple c’est de familiariser ces lecteurs aux modèles
économétriques des séries temporelles linéaires ainsi que leurs utilisations sans pour autant
utiliser des techniques mathématiques très rigoureux
Le document sera structuré comme suit : les concepts bases sur la modélisation univariée
seront exposés dans la première section suivie des modèles multivariés dans la deuxième
section et se termine par le modèle ARDL qui est une extension des modèles à correction
d’erreur classique. L’annexe sera consacrée exclusivement à la programmation sous EViews10
des applications.
 Rappels mathématiques

Soit un processus

yt = β 0 + β 1 y t −1 + ξ t (1)
y t −1 = β 0 + β 1 y t −2 + ξ t −1 (2)
=⇒ yt = β 0 + β 1 ( β 0 + β 1 y t −2 + ξ t −1 ) + ξ t (3)
yt = β 0 + β 0 β 1 + β21 yt−2 + β 1 ξ t−1 + ξ t (4)
y t −2 = β 0 + β 1 y t −3 + ξ t −2 (5)
=⇒ yt = β 0 + β 0 β 1 + β21 ( β 0 + β 1 yt−3 + ξ t−2 ) + β 1 ξ t−1 + ξ t (6)
yt = β 0 + β 0 β 1 + β 0 β21 + β31 yt−3 + β21 ξ t−2 + β 1 ξ t−1 + ξ t
y t −3 = β 0 + β 1 y t −4 + ξ t −3
=⇒ yt = β 0 + β 0 β 1 + β 0 β21 + β31 ( β 0 + β 1 yt−4 + ξ t−3 ) + β21 ξ t−2 + β 1 ξ t−1 + ξ t
yt = β 0 + β 0 β 1 + β 0 β21 + β 0 β31 + β41 yt−4 + β31 ξ t−3

+ β21 ξ t−2 + β 1 ξ t−1 + ξ t (7)

Continuing in this manner and for a given y0 we can write yt as
p
yt = ∑ ai y t −i (8)
i =1
 Soit l’équation de régression donnée par la relation  
  a1 a2 a3 · · · a p −1 a p
yt  1 0
n  y t −1   0 ··· 0 0  
   0 1 0 ··· 0 0 
yt = ∑ βi1 Pour Γ p×1) ≡  ..  ; F( p× p) ≡   ; et
i =1
 .   .. .. .. .. .. 
 . . . ··· . . 
y t − p +1
0 0 0 ··· 1 0
 
ξ
 0 
 
v( p×1) ≡  ..  Considerons Γt = FΓt−1 + vt ou
 . 
0
    
  a1 a2 a3 · · · a p −1 a p y t −1 ξ
yt  1 0 0 ···
 0 0    
  y t −2   0 
 y t −1  
  0 1 0 ···

 .. ≡ 0 0    
  y t −3  +  0 

 .   . . . .. ..   .   .. 
 .. .. .. · · · . .   ..   . 
y t − p +1
0 0 0 ··· 1 0 yt− p 0
C’est un système composé de p équations. La première équation de ce système est
identique à l’équation (a).
Les autres équations sont tous simplement des identités soient : yt−1 = yt−1 , yt−2 = yt−2 ;
...
Connaissant la valeur de Γt à la date t = −1 et v à la date 0, on a :
Γ0 = FΓ−1 + v0
La valeur de Γ à la date 1 est
Γ1 = FΓ0 + v1 = F ( FΓ−1 + v0 ) + v1 = F2 Γ−1 + Fv0 + v1
Γ2 = FΓ1 + v2 = F ( F2 Γ−1 + Fv0 + v1 ) + v2 = F3 Γ−1 + F2 v0 + Fv1 + v2
Γ3 = FΓ2 + v3 = F ( F3 Γ−1 + F2 v0 + Fv1 + v2 ) + v3
= F4 Γ−1 + F3 v0 + F2 v1 + Fv2 + v3
..
.
Γ t = F t +1 Γ −1 + F t v0 + t −1 t −2
 F v1+ F v2 +  · · · + Fvt−
1 + vt
  y −1 ξ0 ξ1
yt  y t −2   0   0 
       
Soit  yt−1  + F t+1  ..  + F t  ..  + F t−1  ..  +
..  .   .   . 
.
yt− p 0 0
   
ξ t −1 ξt
 0   0 
   
· · · + F  ..  +  .. 
 .   . 
0 0
( (
Notons par f 11 t) la (1.1) l’élément de la matrice F t , f 12 t) l’élément (1.2) de la matrice F t ,
et ainsi de suite. Ainsi la première équation de notre système est
( t +1) ( t +1) ( t +1) (t) ( t −1)
yt = f 11 y−1 + f 12 y−2 + · · · + f 1p y− p + f 11 ξ 0 + f 11 ξ 1 +
(1)
· · · + f 11 ξ t−1 + ξ t
Cette équation décrit la valeur de y à la date t en fonction de ses valeurs passées
(y−1 , y−2 , . . . , y− p ) et les valeurs passées et courante de ξ, (ξ 0 , ξ 1 , ξ 2 , . . . , ξ t−1 , ξ t
Les valeurs propres de la matrice F sont données par les solutions de | F − λI p | = 0
Proposition : Les valeurs propres de la matrice F sont les valeurs de λ qui satisfont
λ p − a 1 λ p −1 − a 2 λ p −2 − · · · − a p −1 λ − a p
Preuve :
Les valeurs propres de F sont données par | F − λI p | = 0
  
 a1 − λ a2 a3 · · · a p −1 a p 
 
 1 − λ 0 · · · 0 0 
 
 0 1 −λ · · · 0 0  en multipliant la pime colonne par 1 puis on
ou  λ

 .. .. .. .. .. 
 . . . · · · . . 
 0 0 0 ··· 1 −λ 
ajoute
 le résultat obtenu à la colonnea p( p − 1), on obtient
 a −λ a a3 · · · a p−1 + λ a p 
 1 2
 1 −λ 0 · · · 0 0 

 0 1 −λ · · · 0 0 

 .. .. .. .. .. 
 . . . · · · . . 

 0 0 · · · 1 − λ 0 
 
 0 0 0 ··· 0 −λ 
puis on multiplie
 le ( p − 1)ime colonne par λ1 et on ajoute le résultat  à la colonne (p-2)
 a − λ a 2 a 3 · · · a p −2 + a p −1 + a p a ap
a p 
 1 λ λ2 p −1 + λ
 1 −λ 0 · · · 0 0 0 

 0 1 −λ · · · 0 0 0 

 .. .. .. .. .. 
pour avoir :  . . . · · · . . 
 
 0 0 0 ··· −λ 0 0 

 0 0 0 ··· 0 −λ 0 

 0 0 0 ··· 0 0 −λ 
En procédant de cette manière, le déterminant de la matrice | F − λI p | est équivaut au
déterminant de la matrice triangulaire supérieure qui suit 
 a 1 − λ + a2 + a3 + · · · + a p a 2 + a3 + a4 + · · · + a p · · · a p −1 + a p a p 
 λ λ2 λ p −1 λ λ2 λ p −2 λ 
 0 −λ ··· 0 0 
 
 0 0 · · · 0 0 
 
| F − λI p | =  . . . .. 
 .. .. ··· .. . 
 
 0 0 ··· −λ 0 
 
 0 0 ··· 0 −λ 
Rappelons que le déterminant d’une matrice triangulaire est égal au produit des éléments
sur la diagonaleh principale soit : i
| F − λI p | = a1 − λ + aλ2 + λa32 + · · · + λ p−p 1 [−λ] p−1
a
h i
= (−1) λ − a1 − λ − λ2 − · · · − λ p−1 [λ] p−1
p a2 a3 ap

= ( λ p + a1 λ p −1 + a 2 λ p −2 − · · · − a p )
Les valeurs propres de F sont alors les valeurs de λ auxquelles cette dernières expressions
vaut zéro ,soit λ p + a1 λ p−1 + a2 λ p−2 − · · · − a p = 0 Connaissant les valeurs de λi satisfaisant
cette dernière equation, la solution de l’équation est donnée par A1 λ1t + A2 λ2t + · · · + A p λtp
Ce système est stable si :
p
∑ ai < 1 Conditions de stabilité : Théoreme de Schur Le théorème de Schur donne
i =1
une condition nécessaire et suffisante pour reconnaitre la stabilité d’un une équation de
récurrence d’ordre. Considérons l’équation caractéristique ci-dessus, ce théorème stipule que
si tous les n déterminants suivants sont positifs, la partie réel des racines caractéristiques de
cette équation récurrence est inférieur c’est-à-dire à l’intérieur de la cercle unité.
Soit l’équation
 donnée
 par la relation
 1 − an 
∆1 =  ;
− an 1 
  
 1 0 − an − an−1 

 − a1 1 0 − an 
∆2 =  ;
 − an 0 1 − a1 
 − a n −1 − a n 0 1 
 
 1 0 0 − an − an−1 − an−2 

 − a1 1 0 0 − an − an−1 

 − a2 − a1 1 0 0 − an 
∆3 =  ···
 − an 0 0 1 − a1 − a2 
 − a n −1 − an 0 0 1 − a1 

 − a n −2 − a n −1 − a n 0 0 1 
 
 1 0 0 ··· 0 − a n − a n −1 · · · − a1 
 
 − a1 1 0 ··· 0 0 − an ··· − a2 
 
 − a2 − a1 1 ··· 0 0 0 − an .. − a3 
 
 ··· ··· ··· ··· ··· ··· ··· ··· 
 
 − a n −1 − a n −2 − a n −3 · · · 1 0 0 0... − an 
∆n =  

 − an 0 0 ··· 0 1 − a1 − a2 .. − an−1 
 − a n −1 − a n 0 ··· 0 0 1 · · · − a n −2 
 
 ··· ··· ··· ··· ··· ··· ··· ··· 
 
 − a2 − a3 − a4 · · · 0 0 0.. 1 − a1 
 
 − a1 − a2 − a3 · · · − an 0 0 ··· 1 

I. Modèle Univarié

I.a. Généralité
Définition
Une série temporelle est une suite d’observation y1 , y2 , y3 , ..., y T indexée par le temps ; y1
représente par exemple le PIB à la date 1, y2 le PIB à la date 2 et ainsi de suite. En géneral,
une série temporelle est constituée de plusieurs élements :
- Tendance : représente l’évolution à long terme de la série. Exemple : Tt = a + 0.1 t où a
est une constante
- Saisonalité : évolution de fréquence régulière pour une période définie.
Exemple : St = bsin(tπ/6)
- Composante irrégulière : It soit It = bIt−1 + ǫt où ǫt est une variable aléatoire
Ainsi, pour une série donnée Yt , on a Yt = Tt + St + It .
La visualisation de la figure ci-dessous permet d’éclaircir cette définition.

Figure 1: Exemple d’une série temporelle

La bande en rouge dans cette figure représente la tendance et celle en verte la composante
irrégulière. La bande en bleu répresente la somme de la tendance et la composante irrégulière.
Il est important de remarquer que la série dans cette figure ne comporte pas de composante
saisonière.

I.a.1 Processus ou série stationnaire

On tient à remarquer que cette étude ne concerne que les séries faiblement stationnaire
ou stationnaire de second ordre

Définition Un processus yt , est dit faiblement stationnaire si :

- E(yt ) = E(yt+m ) = µ ∀t et ∀m, la moyenne est constante et indépendante du temps ;

- var (yt ) = var (yt−s ) = σy2 < ∞, ∀t
- cov(yt , yt−l ) = cov(yt+s , yt+s−l ) = γl , la covariance entre une composante entre deux
dates t et t − l ne dépend que de l qui est l’écart entre les deux dates, et non de la date
t elle même. Par exemple cov(y1945 , y1940 ) = cov(y1965 , y1960 ).

Ces conditions impliquent qu’une série est stationnaire si elle ne comporte ni tendance,
ni saisonalité. Le comportement d’une série stationnaire est illustré dans la figure 2 et celui
d’une série non stationnaire dans la figure 3.

Figure 2: Série stationnaire vs non-stationnaire

Bruit Blanc Le bruit blanc est l’exemple parfait d’un processus stationnaire. Par définition,
un processus {ξ t } est appelé bruit blanc si son espérance est nulle (E(ξ t ) = 0), sa variance
est constante (var (ξ t ) = σ2 pour tout ∀ t), et ξ t et ξ s ne sont pas correlés ∀ t 6= s, soit
cov(ξ t , ξ s ) = 0.
Remarque : Si l’une de ces conditions n’est pas verifiée, la série en question est automati-
quement non stationnaire.
Test d’un bruit blanc Le test de Ljung-Box permet d’identifier les processus du bruit blanc,
la valeur de cette statistique est donnée par

l
Q = n(n + 2) ∑ ρb2i (9)
i =1

où l le nombre de retards, ρbi l’autocorrélation d’ordre i et n le nombre d’observations. Cette

statistique est distribuée selon χ2 à l degré de liberté. L’hypothèse nulle est que ∀i, ρi = 0 ;
autrement dit le processus est un bruit blanc.
Règle de decision Si la statistique Q est supérieure au χ2 lu dans la table au seuil (1 − α) et l
degré de liberté, on rejette l’hypothèse nulle, le processus n’est pas un bruit blanc.
Fonction d’autocorrélation simple et partielle La fonction d’autocorrélation simple est la
fonction notée ρl mesurant la corrélation de la série avec elle même décalant de l périodes,
elle se calcule comme suit
n
∑ (yt − ȳ)(yt−l − ȳ)
t = l +1
ρl = n (10)
∑ (yt − ȳ)2
t = l +1
avec ȳ la moyenne de la série calculée sur n périodes.

La fonction d’autocorrétion partielle est la fonction notée φ qui mesure l’influence de yt−l sur
yt en éliminant l’influence des autres variables décalées de k périodes (yt−1 , yt−2 , ..., yt−k+1 ).
Cette notion sera traitée en détails plus tard mais pour l’instant prenons un exemple.
Si yt est de la forme yt = φ0 + φ1 yt−1 + φ2 yt−2 + · · · + φl yt−l + ξ t
l’autocorrélation partielle entre yt et yt−l est tout simplement φl .

Tests de racine unitaire et la non stationnarité

Processus non stationnaire : processus TS (Trend Stationary) et DS (Difference statio-

nary) Les donnés macroéconomiques sont rarement la réalisation d’un processus station-
naire. Ainsi pour étudier la non-stationnarité d’une série, il faut faire une distinction entre
ces deux processus.
- Processus TS
Un processus TS {yt } s’écrit sous la forme yt = f t + ξ t où f t est une fonction polynomiale 1
qui dépend du temps, et ξ t un processus stationnaire.
Exemple : yt = a0 + a1 t + ξ t
Ce processus est non stationnaire car E(yt ) dépend du temps, soit E(yt ) = a0 + a1 t.
- Pour le rendre stationnaire, on régresse yt par la constante et la tendance ;
- connaissant les valeurs estimées des coefficients a0 et a1 ;
- On retranche yt par b a1 t pour obtenir la composante stationnaire de la série yt .
a0 + b
Exemple sous eviews :
En utilisant le donné RGDP.XLS, les tests de stationnarité qu’on verra en détails plus tard
révèle que cette série est non stationnaire. Pour la rendre stationnaire, on estime tout d’abord
l’équation rgdpt = a0 + a1 t + a2 t2 + a3 t3 .
La commande sous eviews pour estimer cette équation est :

ls rgdp c @trend @trend^2 @trend^3

Le résidus obtenus à partir de cette estimation représente la partie stationnaire de la série.

Les commandes correspondantes par défaut sous eviews sont :

1. linéaire ou non
 puis, en cliquant sur l’option Estimate equation une nouvelle fenêtre apparait

en écrivant

rgdp c @trend @trend^2 @trend^3

à l’interieur du champ spécification

puis cliquer sur ok pour obtenir le resultat de l’estimation.

- Processus DS
Les processus DS sont des processus qu’on peut rendre stationnaire en les différan-
çiants. Une série est donc intégrée d’ordre un I(1) si elle est stationnaire après l’application
d’une première différenciation. Si une seconde différenciation est nécéssaire pour la rendre
stationnaire elle est integré d’ordre deux et ainsi de suite.
L’exemple le plus frequent en économie pour un processus DS est la marche aléatoire,
soit : yt = yt−1 + ξ t où ξ t est un processus stationnaire. Après une première différenciation,
on obtient une série stationnaire.
En ajoutant un terme constant β dans le processus yt , on a un processus DS avec dérive ;
autrement dit, si β = 0, yt un processus DS sans dérive.

Tests de stationnarité Dans la plupart des cas, il n’est pas facile de reconnaitre à l’oeil
nu la stationnarité ou non d’une série ; ce qui conduit à faire des tests. Les trois tests
classiques les plus utilisés sont :
- Dickey Fuller (DF)
- Dickey Fuller Augmenté (ADF)
 - Phillips Perron (PP)
Il en existe d’autres comme le KPSS, le test d’Eliott-Rothenberg-Stock.
Tests de Dickey Fuller (DF)
Les modèles de base utilisés pour constuire ces tests sont :
— Modèle [1] yt = a1 yt−1 + ξ t
— Modèle [2] yt = a0 + a1 yt−1 + ξ t
— Modèle [3] yt = a0 + a1 yt−1 + a2 t + ξ t
où ξ t est un bruit blanc
Le principe de ces tests est facile à mettre en oeuvre ; l’hypothèse nulle est H0 : a1 = 1
c’est-à-dire que le processus suit une marche aléatoire 2 ; si cette hypothèse est retenue sur
l’un des trois modèle, le processus est non stationnaire.
On peut remarquer que yt = a1 yt−1 + ξ t peut s’écrire sous la forme yt − yt−1 = ( a1 −
1)yt−1 + ξ t ; en posant γ = a1 − 1 ; tester l’hypothèse a1 = 1 équivaut à tester γ = 0. Ainsi
les trois modèles ci-dessus peuvent s’écrire :
— Modèle[1] △yt = γyt−1 + ξ t
— Modèle[2] △yt = a0 + γyt−1 + ξ t
— Modèle[3] △yt = a0 + γyt−1 + a2 t + ξ t
avec △yt = yt − yt−1
Tests de Dickey-Fuller-Augmentés (ADF)
Dans le tests de Dickey-Fuller simple, les ξ t sont considérés, à priori, non corrélés. Pour-
tant, il n’y a aucune raison que c’est toujours le cas. Ainsi Dickey et Fuller ont proposé une
autre variante de test afin de corriger ce problème d’autocorrélation des erreurs. L’hypothèse
nulle reste la même, c’est-à-dire que γ = 0.
p
— Modèle [1] △yt = γyt−1 + ∑ β i △yt−i+1 + ξ t
i =2
p
— Modèle [2] △yt = a0 + γyt−1 + ∑ β i △yt−i+1 + ξ t
i =2
p
— Modèle [3] △yt = a0 + γyt−1 + a2 t + ∑ β i △yt−i+1 + ξ t
i =2
p
où γ = −(1 − ∑ ai )
i =1
Pour comprendre le procedure des tests ADF, considérons le processus autoregressif
d’ordre p

y t = a 0 + a 1 y t −1 + a 1 y t −1 + a 2 y t −2 + a 3 y t −3 + · · · + a p −2 y t − p +2 + a p −1 y t − p +1 + a p y t − p + ξ t

en ajoutant et en soustrayant a p yt− p+1 pour obtenir

y t = a 0 + a 1 y t −1 + a 1 y t −1 + a 2 y t −2 + a 3 y t −3 + · · · + a p −2 y t − p +2

+( a p−1 + a p )yt− p+1 − a p △yt− p+1 + ξ t

puis en ajoutant et en soustrayant ( a p−1 + a p )yt− p+2 pour obtenir

yt = a0 + a1 yt−1 + a1 yt−1 + a2 yt−2 + a3 yt−3 + · · · − ( a p−1 + a p )△yt− p+2 − a p △yt− p+1 + ξ t

2. il faut remarquer que si | a1 | > 1, le processus n’est pas également stationnaire.
En continuant de cette façon, on obtient
p
△yt = a0 + γyt−1 + ∑ β i △yt−i+1 + ξ t (11)
i =2

Et c’est à partir de cette équation (2) qu’on construit les trois modèles des tests ADF
ci-dessus.
Règle de décision : Si la valeur du t statistique est inférieur aux valeurs critiques dans la table
élaborée par Dickey-Fuller (Le logiciel Eviews fournis ces valeurs critiques), on rejette l’hypothèse
nulle de non stationnarité ; c’est-à-dire que la série est stationnaire. Dans le cas contraire, elle n’est
pas stationnaire.
Procedures à suivre pour faire un test de racine unitaire
La stratégie simple pour faire des tests de racine unitaire est présentée dans la figure 3
ci-contre
3. Cette présentation s’inspire du schema 1 dans le manuel d’économetrie de Régis Bourbonnais
 Figure 3: Stratégie des tests de racine unitaire

Application des tests ADF sur le logiciel Eviews

On nous demande de faire des tests de stationnarité sur les donnés PIBR.XLS.
Une fois que les donnés sont importées dans le logiciel, on ouvre le fichier [pibr]. La
période du test s’étale entre la première trimestre 1947 et la dernière trimestre 2012.
 puis cliquez sur l’onglet view et choisissez l’option Unit Root Test...

Une nouvelle fenêtre apparait

On commence par le modèle [3] en chosissant l’option Trend and intercept. En choissisant
l’option Level, aucune modification n’est pas encore apportée sur les données. Vous pouvez
également paramétrer le nombre des retards et le critère d’information que vous vouliez
utilisez pour réaliser le test. Dans le cas présent, le critère d’information utilisé est celui
de Akaike ou Akaike information criterion. Comme les donnés sont trimestriels, le retard 4
spécifié est au nombre de quatre (4). On clic sur OK pour obtenir
4. La règle de pouce suggère des retards quatre ou douze pour les donnés trimestriels. Pourtant, il est très
recommandé de spécifier le nombre de retard à partir selon les critères de Schwarz ou d’Akaike, où en partant
d’un nombre de retard suffisament élevé p∗ ; dans le cas où le coefficient de yt− p∗ n’est pas significatif, on
estime le modèle à p∗ − 1 retards, puis à p∗ − 2 et on procède de cette manière jusqu’à ce que le coefficient du
pieme retard soit significativement different de zéro.
 Le coefficient de la tendance est significativement different de zéro pour un niveau de
confiance de 95 pour cent (soit 5 pour cent de marge d’erreur), 0.0292 < 0.05. Ainsi, d’après
la stratégie simplifée des tests présentée ci-dessus (voir figure 3). On retient le modèle [3].

La comparaison de la valeur du t statistique calculée -1.77 aux valeurs critiques stipule

que la série n’est pas stationnaire. En effet,-1.77 est supérieur à toutes les valeurs tabulées,
soient -3.993 ( à un (1) pour cent de marge d’erreur),-3.42 ( à cinq pour cent de marge
d’erreur) et -3.13 (à dix pour cent de marge d’erreur.
On procède maintenant au test de stationnarité pour la série en première difference. En
revenant sur l’onglet view et puis unit root test, on choisit l’option 1st difference gardant
les autres spécifications
 On constate que la tendance reste significative ; la comparasion de la valeur de t statistique
aux valeurs critiques montre que la série est stationnaire en différence première (-6.49 <
-3.9940 , -6.49 < -3.42, et -6.49 < -3.13)
Tests de Phillips Perron
Ce test est construit en prenant en considération le problème d’hétéroscedasticité de
l’erreur. Le test se déroule comme suit :
1. On estime par la moindre carré ordinaire les trois modèles de Dickey-Fuller et on
calcule les statistiques y afférentes, soit ξ t le résidu de l’estimation.
n
σ2 =
2. On calcule la variance dite de court terme b 1
n ∑ ξ t2
t =1
3. On estime la variance dite de long terme à partir de la structure des covariances des
résidus des modèles estimés précédemment de telle sorte que les transformations
réalisées conduisent à des distributions identiques à celles du Dickey-Fuller standard :
n  
2 1 n 2 i 1 n
St = ∑ ξ t + 2 ∑ 1 − ∑ ξ t xit−i
n t =1 i =1
l − i n t = i +1

le nombre de retards l est donné par l ≈ 4(n/100)2/9

√ (φb1 −1) n ( k −1)bσφb
4. Puis on calcul la statistique de Phillips Perron :t∗φb = k × b
σφb + √ 1
1 1
k
c2
σ
avec k = St2
qui est approximativement égal à 1 si ξ t est un bruit blanc. Cette statistique est à
comparer aux valeurs critiques de la table de MacKinnon. L’hypothèse nulle de ce test est la
non stationnarité de la série.
Règle de décision : Si le t − statistique est supérieure à la valeur critique, on accepte l’hypothèse
nulle, c’est-à-dire la série est non stationnaire.
Test de KPSS
Les étapes à suivre pour réaliser ce test sont :
1. On estime le modèle [2] ou [3] dans le test de Dickey-Fuller simple
n
2. On calcul la somme St = ∑ ξt
t =1
3. On estime la variance de long terme comme dans le test de Phillips-Perron, la statistique
n
∑ St2
1 t =1
associée est LM = St2 n2
 Règle de décision : L’hypothèse nulle dans ce dernier test est que la série est stationnaire. On
rejette cette hypothèse dans le cas où la statistique associée est supérieure aux valeurs critiques tabulées
par Kwiatkowski.
Remarque
Il faut remarquer que le logiciel Eviews donne les valeurs critiques des statistiques associés
aux tables élaborés par Phillips-Perron et Kwiatkowski.

I.a.2 Modèle ARIMA

Pour un processus sationnaire univariée, on peut citer trois types de modèle de base :
AR(p) ,MA(q) ,ARMA (p,q)
Processus moyenne mobile MA(q)
Les processus MA(q) peuvent s’écrire comme la somme d’une constante, de la valeur
courante d’un bruit blanc, et d’une combinaison linéaire finie des valeurs passées du bruits
blanc, soit

yt = µ + φ0 ξ t + φ1 ξ t−1 + φ2 ξ t−2 + · · · + φq ξ t−q (12)

Ainsi, on a :

MA(1) : yt = µ + φ0 ξ t + φ1 ξ t−1

MA(2) : yt = µ + φ0 ξ t + φ1 ξ t−1 + φ2 ξ t−2

MA(3) : yt = µ + φ0 ξ t + φ1 ξ t−1 + φ2 ξ t−2 + · · · + φq ξ t−3

où les φi sont des paramètres qui peuvent être positifs ou négatifs.
Fonction d’autocorrélation simple et partielle d’un modèle MA(q)
- Fonction d’autocorrélation simple Considérons un modèle MA(1) yt = ξ t + φξ t−1 . En
multipliant cette équation par yt−l ,∀ l ≥ 0 et en prenant son espérance mathématique,
on a

γ0 = var (yt ) = E(yt yt ) = E[(ξ t + φξ t−1 )(ξ t + φξ t−1 )] = (1 + φ2 )σ2

γ1 = E(yt yt−1 ) = E[(ξ t + φξ t−1 )(ξ t−1 + φξ t−2 )] = φ2 σ2

et

γs = E(yt yt−s ) = E[(ξ t + φξ t−1 )(ξ t−s + φξ t−s−1 )] = 0, ∀s > 1

En divisant chaque γs par γ0 , on obtient facilement que ρ0 = 1, ρ1 = φ/(1 + φ2 ), et
ρs = 0, ∀s > 1.
Ainsi, pour un modèle MA(1), la fonction d’autocorrélation affiche un pic très significatif
(positif si φ >0 et négatif si φ<0) au premier retard et baisse brutalement. Pour des retards
s>1 les coefficients sont nuls.
Il est facile de comprendre que pour un modèle MA(2), on constate un pic significatif
pour les deux premiers retards, les autres coefficients sont nuls pour s>2.
Fonction d’autocorrélation partielle d’un modèle MA(1)
Prenons encore l’exemple du modèle MA(1) précédemment yt = ξ t + φξ t−1 . Comme le
modèle est supposé stationnaire, c’est-à-dire φ 6= −1 , on peut écrire yt /(1 − φL) = ξ t . Ce
modèle peut être représenté sous la forme d’un modèle AR(∞)

yt − φyt−1 + φ2 yt−2 − φ3 yt−3 + · · · = ξ t (13)

 Ainsi, la fonction d’autocorrélation partielle d’un modèle MA(1) affiche une décroissance
géometrique puisque yt peut être exprimé en fonction de ses valeurs passées. Si φ est <0,
la décroissance est directe, et si φ est >0, les coefficients présentent une oscillation qui tend
vers zéro.
Processus autoregressif AR(p)
Le processus autoregressif AR(p) peut s’ecrire comme la somme d’une constante, de la
valeur courante d’un bruit blanc et d’une combinaison linéaire de ses valeurs passées, soit

y t = β 0 + β 1 y t −1 + β 2 y t −2 + · · · + β p y t − p + ξ t (14)

où p le nombre de retard, β 0 une constante, et ξ t un bruit blanc.

Exemple : Pour une modèle AR(1) ; on a yt = β 0 + β 1 yt−1 + ξ t . On peut remarquer que si
β 1 = 1, ce processus est une marche aléatoire avec constante.
Ecriture d’un modèle AR(p) sous forme d’un modèle MA(∞)
Supposons le modèle AR(1) precedent yt = β 0 + β 1 yt−1 + ξ t , pour y0 donné (y0 6= 0), il
s’ensuit que y1 = β 0 + β 1 y0 + ξ 1 . De la même manière, y2 doit être

y2 = β 0 + β 1 y1 + ξ 2
= β 0 + β 1 ( α + β 1 y0 + ξ 1 ) + ξ 2
= β 0 + β 1 α + β21 y0 + β 1 ξ 1 + ξ 2

En continuant avec y3 , on obtient

y3 = β 0 + β 1 y2 + ξ 3
y3 = β 0 (1 + β 1 + β21 ) + β31 y0 + β21 ξ 1 + β 1 ξ 2 + ξ 3

on peut facilement verifier que pour t > 0, cette itération permet d’obtenir
t −1 t −1
yt = β 0 ∑ βi1 + βt1 y0 + ∑ βi1 ξ t−i (15)
i =0 i =0

Ainsi, pour | β 1 | < 1, et quand t tend vers l’infini, l’équation (1) peut s’écrire sous la
forme
∞
β0
yt = + ∑ βi1 ξ t−i (16)
1 − β 1 i =0
Fonction d’autocorrélation simple et partielle d’un modèle AR(p)
- Fonction d’autocorrélation simple d’un modèle AR(1)
En prenant l’espérance de l’équation (5), pour t suffisamment grand E(yt ) = β 0 /(1 − β 1 )
Ainsi, l’espérance de yt est indépendante du temps, ce qui implique
E ( y t ) = E ( y t − l ) = β 0 / (1 − β 1 ) ≡ µ
et sa variance est

E(yt − µ)2 = E[(ξ t + β 1 ξ t−1 + ( β 1 )2 ξ t−2 + · · · )2 ] (17)

2
= σ [1 + β21 + β41 2
+ · · · ] = σ / (1 − β21 ) (18)

qui est également finie et indépendante du temps.

Finalement la fonction d’autocovariance est
 E[(yt − µ)(yt−l − µ)] = E[(ξ t + β 1 ξ t−1 + ( β 1 )2 ξ t−2 + · · · ) (19)
× (ξ t−l + β 1 ξ t−l −1 + ( β 1 )2 ξ t−l −2 + · · · )]
= σ2 βl1 [1 + β21 + β41 + · · · ]
= σ2 βl1 /(1 − β21 )

En résumé, si on peut utiliser la valeur de la limite de l’équation (16), le processus {yt }

est stationnaire. Pour y0 donné et | β 1 | <1, il s’ensuit que t doit être suffisament grand.
Autrement dit, si un échantillon débute dans une période très récente, le processus yt est
dans la plupart des cas non stationnaire.
Pour illustrer la fonction d’autocorrélation d’un modèle AR(p) ; prenons un modèle AR(1),
yt = β 0 + β 1 yt−1 + ξ t , notons par γi les résultats obtenus dans l’équation (5) et l’équation
(6), on a
γ0 = σ2 /(1 − β21 )
γl = σ2 βl1 /(1 − β21 ) (20)
En utilisant la définition de la fonction d’autocorrélation précédemment, la fonction d’au-
tocorrélation n’est autre que le rapport entre γl et γ0 , on trouve pour un modèle AR(1),
ρ0 = 1, ρ1 = β 1 , ρ2 = β21 , ..., ρl = βl1 . La condition nécessaire pour qu’un modèle AR(1)
soit stationnaire est | β 1 |<1. Ainsi, sa fonction d’autocorrelation (ACF) ou correlogramme
converge géometriquement vers 0. La figure (4) ci-après montre le caractéristique du ACF
d’un processus AR(1).

Figure 4: correlogramme d’un processus AR(1)

- Fonction d’autocorrelation partielle d’un modèle AR(p)

Prenons encore l’exemple d’un modèle AR(1) pour comprendre la fonction d’autocorréla-
tion partielle. Dans le processus, AR(1), yt et yt−2 sont corrélés même si yt−2 n’apparait pas
directement dans le modèle. La correlation entre yt et yt−2 (i.e., ρ2 ) est égale à la corrélation
de yt et yt−1 multipliée par la corrélation entre yt−1 et yt−2 (i.e., ρ1 ) soit ρ2 = ρ21 .
Par ailleurs, il est important de noter que toutes les corrélations indirectes sont présentes
dans l’ACF d’un processus autorégressif. Par contre, l’autocorrélation partielle entre yt et
yt−l élimine les effets de yt−1 , de yt−2 , . . . , de yt−l +1 . Ainsi, dans le processus AR(1), l’auto-
correlation partielle entre yt et yt−2 est égale à 0. En résumé, la fonction d’autocorrélation
partielle d’un modèle AR(1) affiche donc un pic significatif pour le premier retard, et les
autres coefficients sont nuls pour des rétards l>1. On peut voir ce pic significatif pour le
premier retard du PACF du processus AR(1) dans la figure (4).
Modele ARMA(p,q)
Le modèle ARMA(p,q) est la combinaison du modèle AR(p) et MA(q), soit
yt = β 0 + β 1 yt−1 + β 2 yt−2 + · · · + β p yt− p + µ + ξ t + φ1 ξ t−1 + φ2 ξ t−2 + · · · + φq ξ t−q
Fonction d’autocorrélation d’un processus ARMA(p,q)
Soit yt = β 1 yt−1 + ξ t + φ1 ξ t−1 , en multipliant cette équation par yt , puis par yt−1 , et ainsi de
suite ; on obtient les résultats suivants :

Eyt yt = β 1 Eyt−1 yt + Eξ t yt + φ1 Eξ t−1 yt ⇒ γ0 = β 1 γ1 + σ2 + φ1 ( β 1 + φ1 )σ2 (21)

Eyt yt−1 = β 1 Eyt−1 yt−1 + Eξ t yt−1 + φ1 Eξ t−1 yt−1 ⇒ γ1 = β 1 γ0 + φ1 σ2 (22)

Eyt yt−2 = β 1 Eyt−1 yt−2 + Eξ t yt−2 + φ1 Eξ t−1 yt−2 ⇒ γ2 = β 1 γ1 (23)

..
.

Eyt yt−s = β 1 Eyt−1 yt−s + Eξ t yt−s + φ1 Eξ t−1 yt−s ⇒ γs = β 1 γs−1 (24)

Pour obtenir (21), notons que Eξ t−1 yt est égal à ( β 1 + γ1 ) σ2 . En utilisant (22) et (23), on a

1 − φ12 + 2β 1 φ1 2
γ0 = σ
(1 − β21 )
(1 − β 1 φ1 )( β 1 + φ1 ) 2
γ1 = σ
(1 − β21 )
γ1
à partir du rapport γ0 on obtient

(1 − β 1 φ1 )( β 1 + φ1 )
ρ1 =
(1 + φ12 + 2β 1 φ1 )
Il est facile de comprendre que pour tout s ≥ 2, ρs = β 1 ρs−1 .
Ainsi, la fonction d’autocorrélation simple d’un processus ARMA(1,1) dépend non seule-
ment de ρ1 mais également de φ1 . Il faut remarquer que l’ACF d’un processus ARMA(1,1)
ressemble beaucoup à celle du processus AR(1), ce qui conduit donc à faire une analyse
approfondie en vue d’une identification.

Figure 5: correlogramme d’un processus ARMA(1,1)

 A partir de la figure (5), on peut remarquer que le correlogramme de l’ACF (Colonne
autocorrelation) d’un processus ARMA(1,1) ressemble beaucoup à celui d’un modèle AR(1)
avec un coefficient de yt−1 entre -1 et 0. Pour un modèle ARMA(p,q), en commencant à
partir du retard q, l’expression de ρi satisfait

ρ i = β 1 ρ i −1 + β 2 ρ i −2 + · · · + β p ρ i − p
Prévision d’un modèle ARIMA
Examinons maintenant les propriétés de prévisions à partir du modèle ARIMA.
— Processus AR(1)
Commençons notre étude par un simple modèle autorégressif d’ordre (1), AR(1) :

y t = β 0 + β 1 y t −1 + ξ t (25)
En augmentant d’une période

y t +1 = β 0 + β 1 y t + ξ t +1 (26)
Pour β 0 et β 1 donnés, la prévision de yt+1 conditionnée par les informations disponibles
jusqu’à la date t est

E(yt+1 /yt , yt−1 , yt−2 , . . . , ξ t , ξ t−1 , . . .) = β 0 + β 1 yt (27)

De même, comme yt+2 = β 0 + β 1 yt+1 + ξ t+2 , la prévision de yt+2 conditionnée par les
informations disponibles jusqu’à la date t est

E(yt+2 /yt , yt−1 , yt−2 , . . . , ξ t , ξ t−1 , . . .) = β 0 + β 1 E(yt+1 ) (28)

= β 0 + β 1 ( β 0 + β 1 yt )

E(yt+3 /yt , yt−1 , yt−2 , . . . , ξ t , ξ t−1 , . . .) = β 0 + β 1 E(yt+2 ) (29)

= β 0 + β 1 ( β 0 + β 1 yt )
Ainsi, la valeur de la prévision de yt+1 peut être utilisée pour prévoir yt+2 .

E ( y t +3 ) = β 0 + β 1 E ( y t +2 ) (30)
= β 0 + β 1 ( β 0 + β 1 ( β 0 + β 1 yt ))
= β 0 + β 0 β 1 + β 0 β21 + β31 yt
j −1 j
= β 0 (1 + β 1 + β21 + · · · + β 1 ) + β 1 yt
Comme le modèle est supposé stationnaire, c’est-à-dire | β 1 | <1 ; pour j suffisamment
grand, la convergence tend vers la valeur de la limite de yt+ j quand j tend vers l’infini, soit
∞
j β0
lim yt+ j = β 0 ∑ β 1 =
j→+∞ j =0
(1 − β 1 )

et ( j ) ≡ yt+ j − E ( yt+ j ) (31)

Comme la valeur de l’erreur de pévision d’une période est et (1) = yt+1 − E(yt+1 ) = ξ t+1 ,
et (1) répresente la composante non prévue de yt+1 , compte tenu des informations disponibles
jusqu’à la date t.
 L’erreur de prévision de la seconde période est et (2) = yt+2 − E(yt+2 ). Comme yt+2 =
β 0 + β 1 yt−1 + ξ t+2 et Et (yt+2 ) = β 0 + β 1 Et (yt+1 ) ; il s’en suit que

et (2) = β 1 (yt+1 − Et yt+1 ) + ξ t+2 = ξ t+2 + β 1 ξ t+1 (32)

En continuant de cette façon, l’erreur de prévision de la période j pour un modèle
AR(1)est
t− j
et ( j) = ξ t+ j + β 1 ξ t+ j−1 + β21 ξ t+ j−2 + β31 ξ t+ j−3 + · · · + β 1 ξ t+1 (33)
Comme Et ξ t+ j = Et ξ t+ j−1 = · · · + Et ξ t+1 , l’espérance mathématique de et ( j) est Et et ( j) =
0.
Pourtant la variance de l’erreur augmente pour des périodes lointaines. Soit
2( j −1)
var (et ( j)) = σ2 (1 + β21 + β41 + β61 + · · · + β 1 ) (34)
La variance de prévision de la première période est σ2 , celle de la seconde période est
σ2 (1 + β21 ), et ainsi de suite.
Il est important de remarquer que la variance de la prévision augmente quand la valeur
de j augmente ; autrement dit, pour un modèle AR une prévision à court-terme est plus
fiable qu’une prévision à long terme.
2
Si j −→ ∞ la variance de l’erreur de prévision tends vers (1−σβ−12 ) ; ainsi, la variance de
l’erreur de prévision converge vers la variance inconditionnelle du processus {y − t}.
Généralisation du modèle Pour faciliter le calcul, considerons ARMA (2,1)

yt = β 0 + β 1 yt−1 + β 2 yt−2 + ξ t + φ1 ξ t−1

à la date t + 1
yt+1 = β 0 + β 1 yt + β 2 yt−1 + ξ t+1 + φ1 ξ t ,
à la date t + 2
yt+2 = β 0 + β 1 yt+1 + β 2 yt + ξ t+2 + φ1 ξ t+1 ,
Si toutes les valeurs des coefficients sont connues et que Et ξ t+ j = 0 pour j > 0, l’espérance
conditionnelle de yt est

Et yt+1 = β 0 + β 1 yt + β 2 yt−1 + φ1 ξ t
Celle de la seconde période est

Et yt+2 = β 0 + β 1 Et yt+1 + β 2 yt (35)

La combinaison de ces deux dernières équations permet d’écrire

Et yt+2 = β 0 (1 + β 1 ) + [ β21 )yt + β 1 β 2 yt−1 + β 1 φ1 ξ t

L’erreur de prévision de yt+2 est

et (2) = yt+2 − Et yt+2 = β 1 (yt+1 − Et yt+1 ) + ξ t+2 + φ1 ξ t+1

et (2) = ( β 1 + φ1 )ξ t+1 + ξ t+2
Comme yt+ j = β 0 + β 1 yt+ j−1 + β 2 yt+ j−2 + ξ t+ j + φ1 ξ t+ j−1 ,
Son espérance est Et yt+ j = β 0 + β 1 Et yt+ j−1 + β 2 yt+ j−2 , et l’erreur de prévision de yt+ j ,
pour j ≥ 0, est
et ( j) = β 1 et ( j − 1) + β 2 et ( j − 2) + ξ t+ j + φξ t+ j−1
 Identification du modèle

Supposons que nous avons un processus stationnaire, les intérrogations qui nous viennent
à l’esprit sont ainsi associées au modèle capable de représenter le processus. Comment peut-
on savoir si une série donnée suit un processus purement autorégressif AR (et si c’est le cas,
quel est le nombre de retards p à retenir) ou un processus moyenne mobile MA (si c’est le
cas, quel est le nombre de retards q à retenir) ou un modèle ARMA (si c’est le cas, quel est
le nombre des retards p et q à retenir).
Choix du modèle à partir du correlogramme
Pour répondre à toutes ces questions, BOX-Jenkins ont proposé 4 étapes pour identifier
le modèle adéquat pour la représentation d’une série stationnaire 5 .
> Identification du nombre de retards p et q du modèle ARMA. Le corrélogramme des
fonctions d’autocorrélation simple et partiel est une aide précieuse pour faire cette
tâche.
. Si le corrélogramme de la fonction d’autocorrélation partiel n’a que q premiers
termes differents de 0 et que les termes du corrélogramme simple diminuent de
manière géométrique (décroissance exponentielle ou sinusoidale), nous pouvons
pronostiquer un modèle AR(p)
. Si le corrélogramme de la fontion d’autocorrélation simple n’a que ses q premiers
retards differents de 0 et que les termes du corrélogramme partiel diminuent de
manière géométrique, nous pouvons prédire un modèle MA(q).
. Si les corrélogrammes des deux fonctions affichent une décroissance amortie
tronquée, il s’agit d’un processus de type ARMA.
. On peut recourir également aux différents critères d’informations pour identifier
le modèle. Le modèle qui minimisent les critères d’informations sera rétenu.
On peut citer les deux critères les plus utilisés : le critère d’information d’Akaike
ou Akaike Information Criterion (AIC) et le critère d’information de Schwartz ou
Schwartz Bayesian Criterion (SBC)
- AIC = Tln(SCR) + 2n
- SBC = Tln(SCR) + nlnT
où T le nombre d’observations et n le nombre de paramètres estimés et SCR la
somme carrée des résidus.
Dans le cas où les deux critères suggèrent deux modèles differents, on estime les
deux modèles et on examine leurs residus respectives. Le modèle qui possède une
série de résidu se comportant comme un bruit blanc est retenu.
Remarque :
La valeur de AIC obtenue à partir de Eviews est donnée par la formule

AIC = −2ln( L)/T + 2n/T

et celle du SBC donnée par Eviews est calculée à partir de la formule

AIC = −2ln( L)/T + nlnT/T

Il est important de remarquer que le logiciel eviews propose une option pour
l’identification du modèle. En utilisant les données infl1.xls, une fois que le fichier
est ouvert, les instructions à suivre sont :
5. Si la série n’est pas stationnaire, il faut la rendre stationnaire avant de faire la modélisation
Des spécifications peuvent être faites dans cette fenêtre selon votre choix. En
cliquant sur l’onglet option

Il est également possible de spécifier l’output qu’on voulait avoir.

> La deuxième étape consiste à l’estimation des paramètres du modèle sélectionné.
> Diagnostique du modèle sélectionné. On examine si le modèle sélectionné arrive à
répliquer le comportement des données observées. Pour effectuer cette tâche, on
peut faire une analyse des résidus (On vérifie si ces derniers suivent un processus
bruit blanc).
> Si le modèle arrive à bien répresenter le comportement des données observése.
On passe à l’étape finale qui est la prévision. L’un des points forts d’un modèle
ARMA est sa capacité à faire une bonne prévision.
I.b. Applications
I.b.1 Illustration I
On nous demande de modéliser le comportement du taux d’inflation (série INFL1.xls)
d’un pays donné partant du premier janvier 2000 jusqu’au mois d’avril 2008.
1. Examen graphique

Figure 6: Graphique de la serie INFL1

Le graphique de la série INFL1 laisse présager qu’elle est stationnaire. Pourtant afin de
confirmer cette présomption, il faut passer au test de stationnarité.
2. Test de stationnarité Les résultats des tests sont présentés dans les figures 8, 9, et 10.
Dans la figure 8, on constate que la tendance n’est pas significative (0.68 > 0.05) , ce
qui nous conduit à passer au modèle [2].
La constante est également non significative, en effet 0.5475 > 0.05 (Voir figure 9)
A passant à l’examen du modèle [1] (Figure 10), la comparaison des valeurs critiques
aux t − statistique permet de rejeter l’hypothèse nulle de non stationnarité, la série
est stationnaire (-8.06 < -2.58,-8.06 < -1.94, et -8.06 < 1.61. Ces tests confirment notre
présage quant à la stationnarité de la série.

Figure 7: Résultat des tests sur le modèle [3]

 Figure 8: Résultat des tests sur le modèle [2]

Figure 9: Résultat des tests sur le modèle [1]

3. Examen du correlogramme
Comme la série est stationnaire, on peut passer directement à l’examen de son correlo-
gramme afin qu’on puisse avoir une idée sur le modèle approprié pour modéliser son
comportement.
 Figure 10: Correlogramme de la série INFL1

L’examen du correlogramme laisse supposer deux candidats possibles, AR(2) et

ARMA(1,1). En effet, le correlogramme de la fonction d’autocorrélation simple montre
une décroissance géométrique de manière altérnée, c’est le cas typique de l’ACF d’un
modèle AR(2) et d’un modèle ARMA(1,1) stationnaire. De plus la fonction d’autocorré-
lation partielle affiche deux pic significatifs au prémier retard et au deuxième rétards.
Ce qui nous conduit pour l’instant à retenir les deux modèles.
4. Estimation des paramètres
Considérons les deux modèles susceptibles de représenter le présent processus :
- AR(2) : in f l1t = β 1 in f l1t−1 + β 2 in f l1t−2 + ξ t
- ARMA(1.1) : in f l1t = β 1 in f l1t−1 + ξ t + φ1 ξ t−1
- Il est important de remarquer que l’examen du graphique de la série INFL1 nous
conduit à ne retenir aucune constante. En effet, la moyenne de la série tourne
autour de zéro.
Estimation du modèle AR(2)
Cliquer sur Quick puis Estimate equation. Ecriver dans le grand champ de paramé-
trage les inscriptions suivantes :

infl1 ar(1 to 2)

infl1 ar(1) ar(2)

L’output de l’estimation du modèle AR(2) est

 Estimation du modèle ARMA(1.1) Cliquer sur Quick puis Estimate équation et remplir
le champs de paramétrage par les inscriptions

infl1 ar(1) ma(1)

L’output de l’estimation est

Après la comparaison des deux modèles à partir des critères de Akaike (AIC), de
Schwarz (SBC), et de Hannan-Quinn nous retenons le modèle ARMA (1.1)(3.12 < 3.23,
3.20 < 3.30, et 3.15 < 3.26).
5. Test des residus
Cette dernière étape avant la prévision consiste à savoir si le résidu du modèle retenu
est un bruit blanc. On utilise ici les statistiques de Box-Pierce/Ljung-Box.
Avant d’effectuer le test, il est commode d’enregistrer la valeur des résidus obtenus
dans un autre fichier. Pour le faire, on procède comme suit
Dans la fenêtre de commande, écrivez l’instruction
 genr resid_infl1=resid

Cette instruction nous permet d’enregistrer la valeur des résidus dans un autre fichier
nommé

resid_infl1

Figure 11: Correlogramme de residu

Aucun termes ne dépassent des intervalles de confiances (colonne autocorrelation et

partial autocorrelation) et les statistiques de Q de Ljung/Box sont toutes inférieurs
aux valeurs de χ2 lues dans la table pour un niveau de confiance à 95 pour cent (par
exemple pour un retard de 1 à 20 6 , la statistique Q est égale à 15.316. Cette valeur est
inférieur à 31.41 (χ2(.05,20) =31.41). Le residu du modèle ARMA(1,1) est donc un bruit
blanc. Ainsi, le modèle ARMA(1.1) est donc le meilleur candidat pour modéliser le
comportement du processus {in f l1}.

I.b.2 Illustration II
Dans cette deuxième exemple, Il s’agit de modéliser le comportement des ventes issues
des exportations (série AGRI.XLS) d’un produits agricole pour un pays donnée.
Etape 1 Examen graphique

Figure 12: Graphe de la série agri

Etape 2 Tests de stationnarité

6. Noter que les tests proposés par Ljung/Box sont des tests joints
 En ouvrant le fichier agri.xls sur Eviews, le resultat du test sur le modèle [3] du test ADF
est

Figure 13: Résultat des tests de stationnarité du modèle[3] de la série AGRI

La tendance n’est pas significative pour une marge d’erreur de 5 pour cent (0.07 > 0.05),
ce qui nous pousse à passer au modèle [2] du test ADF. Le resultat du test est

Figure 14: Résultat des tests de stationnarité du modèle[2] de la série AGRI

La constante est significative, on retient le modèle [2] pour continuer l’analyse

Figure 15: Résultat des tests de stationnarité du modèle[2] de la série AGRI

La comparaison de la valeur de t − statisique, pour une marge d’erreur de 1 pour cent,

nous conduit à accepter l’hypothèse nulle de non stationnarité en niveau (-3.22< -3.49).
Pourtant, les valeurs critiques pour les marges d’erreurs à 5 et à 10 pour cent préconisent le
contraire, c’est-à-dire que la série AGRI est stationnaire. Un examen minucieux du graphe
de la série révèle également un certain comportement instable de la série. Ainsi, on garde la
conclusion donnée par la marge d’erreur de 1 ; la série est non stationnarité en niveau.
Nous procédons alors à faire un test de stationnarité pour la serie en difference première.
Tests de stationnarité pour la série agri.xls en difference première.
Après avoir parcouru les différentes étapes de la stratégie simplifiée pour les tests de
stationnarité, seul le modèle un [1]est retenu (La constante et la tendance ne sont pas
significatives pour les modèles [3] et [2] des tests ADF pour la série en difference première).
Le résultat des tests pour le modèle [1] (c’est-à-dire sans constante ni tendance) des tests
ADF est

Figure 16: Résultat des tests de stationnarité pour la série en difference première

De ce résultat, on constate que la série AGRI est stationnaire en difference première

quelque soit le niveau de confiance retenu (-9.73 < -2.58 (marge d’erreur de 1 pour cent),
-9.73 < -1.94 (marge d’erreur de cinq pour cent), -9.73 < -1.614 (marge d’erreur de 10 pour
cent))
Etape 3 : Examen des fonctions d’autocorrélation simple, partielle et leurs corrélogramme respectifs

Figure 17: Corrélogramme de la série agri en difference première

L’examen des deux corrélogrammes nous laisse à pronostiquer un modèle MA(1). On

peut remarquer un pic significatif pour le premier retard du corrélogramme de la fonction
d’autocorrélation simple (colonne autocorrelation), et une décroissance géométrique du
corrélogramme de la fonction d’autocorrélation partiel.
Estimation du modèle retenu (MA(1)
L’output de l’estimation est
 Figure 18: Output de l’estimation du modèle retenu

Le coefficient de MA(1)est significatif, ainsi la probabilité critique est égale à 0. Cette

valeur est inférieure à 0.05 ; ainsi on peut passer à l’analyse du résidu de l’estimation

Figure 19: Corrélogramme de residu

Aucuns termes ne dépassent les intervalles de confiance (colonne autocorrelation et

partial autocorrelation) et les statistiques de Q de Ljung/Box sont toutes inférieurs aux
valeurs de χ2 lues dans la table pour un niveau de confiance à 95 pour cent. Le résidu du
modèle MA(1) est donc un bruit blanc. Ainsi, le modèle MA(1) est donc le meilleur candidat
pour modéliser le comportement de la série { agri } en difference première.
Prévision
On va procède à une prévision de la série agri ( valeur en niveau) à un horizon temporelle
t+1.
Initialement nous avons dagrit = −0.76ξ t−1 + ξ t .
Ainsi, dagri jan,2015 = −0.76ξ dec,2014 + ξ jan,2015 avec ξ dec,2014 = −7521.15.
En considérant que les erreurs à partir de la période de janvier 2015 sont toutes égale
à 0. On a dagri jan,2015 = −0.76 × (−7521.15) + 0 = 5768.72. La valeur de AGRI au mois de
janvier 2015 est alors 163623.32 (soit dagri jan,2015 + agridec,2014 = 157854.60 + 5768.72)
Remarque La prévision de agri pour le mois de février 2015 est calculé à partir de la
valeur de la prévision de agri au mois de janvier 2015 et ainsi de suite.
II. Modèle Multivarié (cas des VAR et S-VAR)

II.a. Généralité
Le modèles VAR fait partie des modèles multivariés les plus répandus. Sa représentation
est une généralisation des modèles Autorégressifs (AR) dans le cas multivarié. C’est un
modèle sous forme réduite qui dérive des Modèles vectoriels structurels ou VAR Structurel.
Ce modèle S-VAR est un modèle dont la structuration s’inspire des fondements macroécono-
miques. On l’appelle ainsi des modèles macroéconométriques car les fondamentaux de la
théorie économique y sont fortement utilisés contrairement au modèle VAR simple lequel
retrace tous simplement la dynamique des variables.
Dans le modèle sous forme réduite, le système d’équation est composé d’un ensemble de
variables à expliquer (ou endogènes) lesquels sont exprimées en fonction de leurs propres
passées et des passées des autres variables. Par exemple, dans un modèle de demande, le
prix dépend de son propre valeur passées et des valeurs passées de la demande ; de même la
demande dépend des ses valeurs passées et des valeurs passées du prix. En effet, toutes les
variables du système sont considérées comme endogènes.Puisque chaque variable dépend
des valeurs passées, le modèle revêt un caractère dynamique.
Il est à rappeler que ce modèle a fait ses preuves dans l’explication des séries temporelles
financières et le comportement dynamique de l’économie. Son pouvoir de prédiction dépasse
largement ceux des modèles univariés.
Quant aux Modèles VAR structurel (ou S-VAR), des relations contemporaines (ou relations
instantanées) existent entre les variables endogènes. Cela signifie que la variable endogène
est expliquée non seulement par ses propres valeurs retardées et les valeurs retardées des
autres variables mais aussi par les valeurs courantes des autres variables. Il convient de
rappeler que les restrictions sur le modèle S-VAR doivent tenir compte des fondements
de la théorie économique, des expériences empiriques ou, à la limite, d’intuition supposée
rationnelle.
Par ailleurs, si le modèle VAR est fréquemment utilisé pour faire des prévisions, le VAR
structurel quant à lui, est conçu pour les analyses de politique économique. On peut ainsi
avoir une aperçue de l’impact des innovations structurelles à l’issue de laquelle les décideurs
politiques pourront basés leurs appréciations.

II.b. Concept théorique

II.b.1 Modèle VAR
L’approche économétrique d’un Modèle Vectoriel Autoregressif peut s’illusterer de la
manière suivante :
Soit le Modèle vectoriel Autoregressif AR(p) suivante :

Yt = Ω0 + Ω1 Yt−1 + Ω2 Yt−2 + . . . + Ω p Yt− p + ǫt (36)

- Ω0 (n × 1) vecteur des constantes
- Ω j (n × n) Matrice des coéfficients
- ǫt (n × 1) vecteur contenant les innovations
- E ( ǫt ) = 0 , l’esperance des erreurs est nulle
Ω, si t = τ
- E [ ǫt ǫτ ] =
0, sinon
tel que
      
Y1,t α11,p α12,p . . . α1n,p α1
 Y2,t   α21,p α22,p . . . α2n,p   α2 
     
Yt =  ..  ; Ωp =  .. .. ... ..  Ω0 =  .. 
 .   . . .   . 
Yn,t αn1,p αn2,p . . . αnn,p αn
 
ǫ1,t
 ǫ2,t 
 
ǫt =  .. 
 . 
ǫn,t

Le vecteur Yt comprend n variables stationnaire, le vecteur Ω0 et la matrice Ω p regroupe

les paramètres à estimer du modèle.
Prenons
  l’exemple
  d’un
 modèle bivarié
 d’ordre
 2 VAR(2) qui seformulecomme
 suit
 :
Y1,t β1 α11,1 α12,1 Y1,t−1 α11,2 α12,2 Y1,t−2 ǫ1,t
= + + +
Y2,t β2 α21,1 α22,1 Y2,t−1 α21,2 α22,2 Y2,t−2 ǫ2,t
2
Le nombre de paramètres qu’il faut estimer est de n p + n tel que n est le nombre de
variables et p le nombre de retards.
Chaque équation du VAR est donc estimée par la méthode des moindres carrées ordinaire
qui consiste à minimiser l’erreur. Par ailleurs, le choix des variables s’inspire de la théorie
économique, des expériences des autres pays et des travaux empiriques existants. Des
variables exogènes autres que la constante peuvent être insérées dans le système d’équation
telles que des variables indicatrices ou des tendances. Tel qu’énoncé plus haut, les variables
du VAR doivent être stationnaire sinon les chocs risqueraient de ne pas revenir à leur l’état
stationnaire. Outre cela, le modèle doit être aussi parcimonieux que possible vu le nombre
de paramètres qu’il faut estimer.
En tenant compte de la  stabilité
 du VAR, les conditions ci-dessous doivent être satisfaite.
µ1
 µ2 
 
E(yt ) = E(yt+1 ) = µ =  .. .
 . 
µn
L’espérance doit être constante et la covariance dépend du temps écoulé entre les deux
observations yt et yt+ j . C’est à dire de j

E[(yt − µ)(yt+ j − µ)′ ] = Γ j

La théorème de Wold, pour un VAR stationnaire, permet d’obtenir la représentation
suivante :
∞
Yt = β + ∑ Ψ j ǫt− j
j =0

Cette représentation sert à obtenir les fonctions de réponses impulsionnelles de chaque

variable.
Démonstration
Partant de l’équation (1)


In − Ω1 Yt−1 − Ω2 Yt−2 − . . . − Ω p Yt− p yt = Ω0 + ǫt
Ω ( L ) y t = Ω0 + ǫt
yt = Ω( L)− 1Ω0 + Ω( L)− 1ǫt

sachant que Ω( L) est inversible.

 yt = Γ + ( In + Ψ1 L + Ψ2 L2 + · · · +)ǫt
y t = Γ + ǫt + Ψ1 ǫt −1 + Ψ2 ǫt −2 + · · ·

∞
Yt = β + ∑ Ψ j ǫt− j (37)
j =0

ψj est la matrice des coefficients

II.b.2 Modèle SVAR

Contrairement au Modèle VAR simple, le S-VAR est un modèle fondé sur des concepts
macroéconomiques et non pas sur de simple relation dynamique.
Sa généralisation se formule comme suit :

AXt = Θ0 + Θ1 Xt−1 + Θ2 Xt−2 + . . . + Θ p Xt− p + ǫt (38)

Pour éclaircir notre compréhension, prenons le cas d’un VAR bivarié d’ordre 1

AXt = C + BXt−1 + ǫt
 
X1,t
si Xt = . On a alors
X2,t

X1,t + α12 X2,t = β 10 + β 11 X1,t−1 + β 12 X2,t−1 + ǫX1,t

α21 X1,t + X2,t = β 20 + β 21 X1,t−1 + β 22 X2,t−1 + ǫX2,t

α12 et α21 représentent les relations comptemporaines (instantanées) entre X1,t et X2,t
Son expression sous forme matricielle est la suivante :
         
1 α12 X1,t β 10 β 11 β 12 X1,t−1 ǫX1,t
= + +
α21 1 X2,t β 20 β 21 β 22 X2,t−1 ǫX2,t
| {z } | {z }
A B
Γ Γ
z }|0 { z }|1 {
A−1 AXt = A−1 C + A−1 B Xt−1 + A−1 ǫt

Xt = Γ0 + Γ1 Xt −1 + µ t (39)
où µt = A−1 ǫt et A−1 A = I
Sous la forme matricielle
        
X1,t γ10 γ11 γ12 X1,t−1 µ X1,t
= + +
X2,t γ20 γ21 γ22 X2,t−1 µ X2,t
Tel que nous le connaissons cette équation n’est autre qu’une forme réduite.
Pour dériver ce modèle VAR Structurel d’ordre 1, on commence par l’estimer sous cette
forme réduite. Via l’estimation On obtient 6 coefficients γ, 2 variances et 1 covariance à partir
de la matrice de variance covariance ci-après.
 
σ12 cov(µ X1,t , µ X2,t )
Ωvarcov =
cov(µ X1,t , µ X2,t ) σ22
Dans l’ensemble on a 9 paramètres estimés dans un modèle VAR bivarié avec constante
alors que le SVAR en possède 1 de plus. C’est à dire 10 dont 8 coefficients structurels et 2
variances. La covariance étant nulle puisque les chocs sont orthogonaux cov(ǫX1,t , ǫX2,t ) = 0
On a donc 10 inconnues pour seulement 9 équations, ce qui exige une (1) restriction
sur les relations contemporaines. Par identification, si on supposons que X2,t n’influe pas
instantanément sur X1,t on obtient le système suivant :
         
1 0 X1,t β 10 β 11 β 12 X1,t−1 ǫX1,t
= + +
α21 1 X2,t β 20 β 21 β 22 X2,t−1 ǫX2,t
Rappellons que l’identification se fonde sur des préceptes
 économiques.
 Maintenant si
1 0
on multiplie le système par l’inverse de la matrice A =
α21 1

A −1 A −1 A −1
  z
 }| {   z }| {    z }| {  
X1,t 1 0 β 10 1 0 β 11 β 12 X1,t−1 1 0 ǫX1,t
= + +
X2,t −α21 1 β 20 −α21 1 β 21 β 22 X2,t−1 −α21 1 ǫX2,t

        
X1,t β 10 β 11 β 12 X1,t−1 ǫX1,t
= + +
X2,t −α21 β 10 + β 20 −α21 β 11 + β 21 −α21 β 12 β 22 X2,t−1 −α21 ǫX1,t + ǫX2,t
(40)
        
X1,t γ10 γ11 γ12 X1,t−1 µ X1,t
= + + (41)
X2,t γ20 γ21 γ22 X2,t−1 µ X2,t
Si on procède par identification entre (40) et (41) on a :

γ10 = β 10 (42)
γ20 = −α21 β 10 + β 20 (43)
γ11 = β 11 (44)
γ21 = −α21 β 11 + β 21 (45)
γ12 = β 12 (46)
γ22 = −α21 β 12 β 22 (47)
(48)

Pour les équations de chocs on a :

µ X1,t = ǫX1,t (49)

µ X2,t = −α21 ǫX1,t + ǫX2,t (50)

Avec cette restriction, l’unicité de la solution est garantie puisque le nombre d’inconnues est
maintenant égale au nombre d’équation.
Il est à noter que le nombre de restrictions est la différence entre les éléments inconnues
du VAR structurel et le nombre de paramètres estimé dans le VAR réduite.
2
C’est à dire n2 ( nombre d’inconnue dans le VAR S ) - n 2+n paramètres estimés. D’où me
2
nombre de restriction est égale à n 2−n
2
Dans notre cas on 2 2−2 = 1 restricition qui n’est autre que α12 = 0. Ainsi pour un VAR
2
qui possède trois variables, le nombre de restrictions sera égale à 3 2−3 = 62 = 3
II.c. Application
"Impact de la croissance monétaire sur l’inflation"

Introduction
En s’insiprant de la théorie quantitative de la monnaie d’Irving Fisher à propos de
l’impact de la croissance monétaire sur le prix, nous allons élaboré un modèle VAR bivarié.
Aussi ,ce dernier incoprorera deux variables à savoir la monnaie au sens large (M3) et
le niveau général de prix qui sera représenté par le niveau d’inflation (INFL). L’objectif
consiste alors à analyser l’effet de la croissance de la masse monétaire sur l’inflation. Dans cette
inspiration, nous allons construire un modèle VAR structurel en faisant l’hypothèse à priori
que l’inflation est uniquement d’origine monétaire et que la banque centrale possède un
pouvoir discrétionnaire sur la quantité de monnaie en circulation. Suite à cette hypothèse,
une analyse de la réponse de l’inflation face à un choc monétaire sera exposée à travers une
fonction de réponse impulsionnelle.
Pour se faire, un test de racine unitaire sur les variables en niveau sera effecuté dans un
premier abord après une analyse graphique. Ensuite, après avoir constaté l’ordre d’intégration
de chaque variable, nous allons éffectué une transformation si nécessaire en vue de la
stationnarisation. C’est après cela que nous allons construire le modèle VAR non restreint ou
réduit après la determination du nombre de retards optimal. Après fixation du modèle,
quelques tests seront faits à savoir le test de stabilité ainsi que les tests sur les résidus (
autocorrélation et hétéroscédasticité).
Parallèlement à cela, une analyse de causalité au sens de Granger sera indispensable pour
confirmer la direction de la causalité que nous avons hypothétiquement énoncé (l’inflation est
uniquement d’origine monétaire). C’est sur cette supposition que le modèle VAR Structurel
sera en effet contrsuit.

Présentation des données

La période d’étude s’étale entre 1960 et 2017. Les données ont été extraites dans le site
officiel de la banque mondial via l’option d’EViews 10.

Figure 20: base de données extérieures

 Figure 21: Extraction des variables

On n’est donc plus obligé de transiter dans le site officiel à partir d’un navigateur. On
peut désormais extraire les données directement dans EViews grâce à cette fonctionnalité.
- m3 : quantité de monnaie au sens large exprimé en Ariary
- infl : variation de l’indice des prix à la consommation exrpimé en pourcentage
La fonction log a été appliquée sur les séries m3 puis différenciée afin d’obtenir des séries
exprimés en taux de croissance.

Figure 22: Inflation et M3

Apparemment, on observe une allure stationnaire des deux séries même si des sauts
apparaissent sur certaines observations. Ce qui est évident puisqu’il s’agit des taux de
croissance. Pour s’en assurer des tests de racine unitaire s’avère utile.
Test de stationnarité
Nous allons effectué deux types de tests : test ADF (Dickey fuller Augmented) et test
PP(Phillips Perron).
- Inflation : Les tests ont pris en compte uniquement la constante (intercept) après avoir
omis la composante tendancielle (trend and intercept).
Les deux tests rejettent l’hypothèses nulles de racine unitaire au seuil de 5 pour cent
( Prob ADF : 0.0039 < 0.05 et Prob PP 0.0083 < 0.05). La variable inflation est donc
stationnaire en niveau.

Figure 23: Test UR sur l’Inflation

- Taux de croissance de la masse monétaire (M3) : Les test n’ont aussi pris en compte
que la constante (intercept). Les hypothèses nulles ont été également rejettées au seuil
de 5 pour cent (Prob ADF 0.000 < 0.05 et Prob PP 0.000< 0.005)

Figure 24: Test UR sur M3

Conclusion : le taux de croissance de la masse monétaire (tdcm3) et l’inflation (INLF)

sont donc stationnaire.

Modèle VAR
Maintenant que les variables sont stationnaires on peut procéder à la modélisation VAR.

Figure 25: Spécification du VAR

 Dans le tab basics, remplir la petite fenêtre endogenous variables par les variables infl et
tdcm3. Il est à noter que ce sont des séries stationnaires. Dans le champ Lag Intervals for
Endogenous spécifier d’abord le retard par une valeur quelconque sauf 0 (1 2 signifie VAR
d’ordre deux et 1 3 VAR d’ordre 3 et ainsi de suite). Dans Exogenous variables vous pouvez
supprimer la constante C s’il n’est pas significatif. Cli sur OK

Determination du retard
Pour déterminer le nombre de retards optimal, on a recour à l’usage des critères d’in-
formations. Dans EViews 10 on en compte six dont LogL (log likelihood), LR, FPE (Final
prediction error), AIC (Akaike Information Criterion), SC (Schwarz information criterion) et
HQ (Hannan-Quinn information criterion). Dans la pratique la règle veut que le retard qui a
obtenu plus de voix sera choisi.

Figure 26: Spécification du retard

Figure 27: detection du retard optimal

Le résultat affiche une vote à l’unanimité pour tous les critères. Ainsi le nombre de retard
optimal est égal à 1.
Maintenant on ré-estime le modèle mais cette fois-ci en specifiant un nombre de retard
égal à 1. C’est à dire remplir 1 1 dans le champ Lag Intervals for Endogenous
 Figure 28: Spécification du VAR optimal

Ci-après le modèle retenu

      
in f lt 0.79 0.42 0.42 in f lt−1
= +
tdcm3t 14.07 0.03 −0.01 tdcm3t−1
Le résultat montre que le R2 relatif à l’équation liant l’inflation et son propre retard ainsi
que les autres variables retardées (0.42) est supérieur à celui du taux de croissance de la
masse monétaire (0.001). Cela laisse présager que l’inflation serait d’origine monétaire et non
l’inverse.

Test de stabilité
Ce test sert à s’assurer que toutes les racines inverses issuent de la transformation VAR
en moyenne mobile se trouvent dans le cercle unité. Dans ce cas, le VAR est dit stationnaire.
Dans le cas inverse, le modèle est remis en question.
 Figure 29: Test de stabilité

Toutes les racines inverses sont à l’intérieur du cercle unité. On peut ainsi affirmer que le
VAR est stationnaire.

Test sur le résidus

Ce test sert à confirmer que les erreurs sont des bruits blancs. C’est à dire de moyenne
nulle, non autocorrelé et de variance constante.

Figure 30: Test d’autocorrélation

Le test montre que l’hypothèse nulle d’abscence d’autocorrélation est acceptée. Les
résidus sont donc non autocorrelés pour un niveau de retard allant jusqu’à deux.
 Figure 31: Test de Portementau

Le test de portementau ci-dessus confirme ce résultat.

Figure 32: Test d’hétéroscédasticité

Cependant, le test concernant l’hétéroscédasticité rejette l’homoscédasticité à 5 pour cent

mais l’accepte a 1 pour cent.

Test de causalité
Pour confirmer l’exogénéité de la monnaie, le test de causalité au sens de Granger va
nous permettre d’identifier le modèle VAR structurel.

Figure 33: Test de causalité de Granger

 Il y a deux sous blocs de résultats, le premier test si TDCM3 ne cause pas INFL et le
deuxième l’inverse. Apparemment, la probabilité de l’hypothèse que la croissance de la
masse monétaire influe sur l’inflation (0.001 < 0.05) est rejetté alors que l’inverse est fortement
accepté (0.8156). Ce qui corrobore le caractère exogène de la monnaie tel que celui ci sert
d’instrument pour la Banque Centrale. Du fait de cette unidirectionalité du modèle, on en
déduit que TDCM3 cause INFL.

Modèle S-VAR
En tenant compte des résultats des précedents tests et de la contrainte de court terme
stipulant que l’inflation est d’origine monétaire, nous obtenons le système suivant :

A
z }| {         
1 α12 in f l1,t β 10 β 11 β 12 in f l1,t−1 ǫin f l1,t
= + +
0 1 tdcm32,t β 20 β 21 β 22 tdcm32,t−1 ǫtdcm32,t

Figure 34: Sépcification du SVAR et de la restriction

Cette spécification doit être en adéquation avec la représentation programmatique

d’EViews :
INFL = C(1,1)*INFL(-1) + C(1,2)*TDCM3(-1) + C(1,3)
TDCM3 = C(2,1)*INFL(-1) + C(2,2)*TDCM3(-1) + C(2,3)
Par simple identification on en déduit que le coefficient C(2,1) est égale à 0.

Figure 35: Résultat de l’estimation du SVAR

    
1 α12 1 7.46
=
0 1 0 1

Fonction de réponse impulsionnelle

On est donc amené à connaitre le comportement de l’inflation suite à un choc sur la
masse monétaire.

Figure 36: Fonction de réponse impulsionnelle

Une augmentation de la masse monétaire provoquerait un accroissment de l’inflation

de l’ordre de 3.4% au cours de la deuxième année d’impact. Ensuite, une diminution
progressive est constatée avant de disparaitre complètement à partir de la huitième année.
Cette augmentation de la masse monétaire signifierait un choc positif.

III. Extension des Modèles Multivariés (ARDL)

III.a. Concept
Le modèle ARDL en anglais (Autoregressive Distributed Lag Model) ou Modèle ARRE
en français (Autorégressif à Retard Echelonné) est une famille de modèle multivarié qui
dérive des modèles à correction d’erreur. Ce type de modèle fait parti des modèles qui ont
été récemment développés grâce à l’avancée de l’économétrie. De nombreuses améliorations
ont été donc apportées pour corriger les anciennes méthodes sans pour autant les dénigrés.
C’est aussi un modèle dynamique du fait qu’il prend en compte la dynamique temporelle
dans l’explication d’une variable (série chronologique). En d’autre terme, la variable endo-
gène est une fonction de variables décalées ou passées exactement comme dans le modèle
VAR. Cet aspect améliore ainsi la qualité de la prévision donc l’efficacité des décisions
politiques.
Le terme AR (Autoregrssive ) montre la caractère dynamique du modèle puisque des
variables retardées de l’endogène font parties des variables explicatives. Quant au terme DL
(Distributed Lag), celle-ci montre que la dynamque est également captée par les retards des
autres variables explicatives autre que l’endogène elle-même. Le Modèle ARDL est en effet
la combinaison de ces deux élements avec une extension des modèles à correction d’erreur
(MCE) aux cas multivariés. Il convient aussi de rappeller qu’il souffre d’un problème
d’autocorrélation des erreurs, avec la présence de la variable endogène décalée comme
variable explicative, ainsi que de multicolinéarité. D’où l’usage des techniques d’esitmation
robustes comme la méthode des moments.
En outre, ce Modèle permet de mener une étude sur l’existence d’une relation de
cointégration ou de long terme (Pesaran et al). On appelle cette approche le test aux bornes
ou bounds test en anglais. Cette méthode résoud la contrainte liée à l’ordre d’intégration que
la méthode de Johansen (1988, 1991) n’arrive pas. Ce dernier impose que toutes variables
doivent être intégrés du même ordre, soit 1. Ce qui n’est pas forcement le cas dans les tests
aux bornes.

III.b. Approche théorique

La forme général d’un Modèle Aurtorégréssif à retard échelonné se formule comme suit :

AR DL
z }| { z }| {
yt = β 0 + β 1 yt−1 + β 2 yt−2 + . . . + β p yt− p + α0 xt + α1 xt−1 + α2 xt−2 + . . . + αq xt−q +ǫt (51)

p q
yt = ∑ β i y t −i + ∑ β j x t − j + ǫt
i =0 j =0

ǫt suit un processus identiquement et indépendamment distribué.

Le modèle ARDL sous sa forme à correction d’erreur est la suivante :
p q
∆yt = θ0 yt−1 + θ1 xt−1 + ∑ β i ∆yt−i + ∑ β j ∆xt− j + ǫt (52)
i =0 j =0

Ce qui suppose alors des relations de cointégrations entre séries. La transformation de

l’équation 52 permet d’obtenir :
p q
∆yt = ρΠt−1 + ∑ β i ∆yt−i + ∑ β j ∆xt− j + ǫt (53)
i =1 j =0

où Πt−1 est le terme à correction d’erreur et ρ le coefficient de rappel ou d’ajustement. Ce

dernier joue le rôle de régulateur à chaque fois qu’une déviation par rapport à l’équilibre se
produit d’où −1 < ρ < 0. Il faut aussi remarquer que l’équation 53 n’est autre que le modèle
à correction d’erreur standard.
Les termes en différence, qui sont supposés stationnaires, capturent la dynamique de
court terme tandis que les termes en niveau associés à la force de rappel determinent celle
de long terme. C’est à dire yt = Φ + Φ1 xt + υt tel que la déviation de l’année précédente de
son trajectoire d’équilibre sera ajustée au cours de l’année présente via ce coefficient de force
de rappel.
Ainsi pour qu’une relation de cointégration existe il faut que υt = yt − Φ − Φ1 xt soit
stationnaire. Autrement dit, cet élément doit être un bruit blanc ( d’espérance nulle et de
variance constante).

III.c. Application
"Modèle de croissance endogène : cas de Madagascar"

Introduction
Les modèles de croissance endogène ont fait leurs apparitions depuis les travaux de Paul
Romer en 1986. Cette théorie fait réponse au modèle de croissance exogène de Solow dont le
progrès technique est considéré comme une variable exogène. Pour ces auteurs le postulat
de la croissance venait de l’accumulation des facteurs de productions à savoir : le capital
physique, la technologie, le capital humain et le capital public. Pour Romer, le progrès n’est pas
exogène, il est crée. C’est à dire qu’il ya forcément une force créatrice dont la provenance est
connue. Outre cela, le progrès ou innnovation peut être incorporé soit dans le travail soit
dans le capital. Donc l’effet sur la croissance peut être affecté sur les facteurs de production.
Par ailleurs, d’autres auteurs comme Barro et Sala-i-Martin [1995] ont avancé que l’in-
novation est le fait de la recherche et du développement et surtout de l’interventionisme
étatique. Dans ce sens, Barro a introduit le capital public comme facteur de production
sur lequel l’économie sera censée faire une réaction. Dans son modèle de croissance, ce
capital public se concrétise à travers les dépenses publiques qui a son tour influenceront la
croissance du revenu. Cette dernière, quant à elle, permettra d’accroitre la base fiscale d’où
une augmentation des recettes de l’Etat. Cependant, dans ce postulat, ces dépenses publiques
ont deux effets opposés i) le premier est l’effet d’entrainement du capital public sur le capital
privé dont l’effet augmente la productivité de ce dernier ii) le deuxième converge vers la
caractère d’eviction que l’impôt engendrerait sur le rendement du secteur privé.
En général, Barro suppose que les dépenses publiques sont productives et que des
externalités sont à prévoir.

Formulation théorique du Modèle

On suppose que la fonction de production est de type cobb Douglas qui comporte deux
facteurs i) le capital et ii) les dépenses publiques productives :

Yt = AKt1−−1α Gtα (54)

Une part du revenu revient donc au capital et une autre aux dépenses publiques.
Les dépenses sont financées par impôsition tel que

Gt = τ × Yt (55)
On substituant Gt dans (54) on obtient :

Yt = AKt1−−1α (τYt )α
Yt1−α = AKt1−−1α τ α
1 α
Yt = A 1−α Kt−1 τ 1−α

d’où Yt = f (Kt−1 )
On suppose que le taux d’accroissement de la population est nulle :

δLt
=n=0 (56)
Lt
En appliquant la fonction logarithmique l’équation (54), on obtient :

logYt = logA + (1 − α)logKt−1 + αlogGt (57)

ou
yt = K0 + (1 − α)k t−1 + αgt (58)
K0 = logA correspond à la productivité globale des facteurs appelér aussi résidu de
Solow
Présentation des données
Vue la disponibilité des données, notre période d’étude s’étalera entre 1960 et 2016.
Nous avons utilisé le PIB à prix constant exprimé en monnaie locale pour refleter le niveau de
production. Ce dernier est la somme de la valeur ajoutée de tous les producteurs résidents dans
l’économie plus les taxes sur la production moins les subventions qui ne sont pas inclues dans la
valeur de production.
Pour capter l’effet du capital, la formation du capital fixe (FCF) sera utilisé comme variable
proxy. Ce sont des dépenses sur des actifs fixes plus la variation de stock de capital. Ces actifs
fixes comprennent les terres, les industries, les machines, l’achat d’équipement, les constructions de
route, d’écoles, d’hopitaux et d’habitations. Quant à la variation de stock, ceci consiste aux stocks
de biens détenus par les entreprises pour satisfaire les variations de production ou de vente. Elle est
exprimée en monnaie local à prix constant.
Les dépenses publiques sont des dépenses de consommation finale qui comprennent les
dépenses courantes en biens et services destinées à accroitre la production. Ils incluent les dépenses
sur la défense et la sécurité nationale qui sont liées à la formation du capital fixe.

Figure 37: Dynamique des variables

Visuellement, une correspondance semble être évidente entre le capital et le PIB réel.
Ces deux variables paraissent en effet exhibées une relation de long terme dite relation de
cointégration. Autrement dit, elles sont liées de telle manière qu’une déviation de l’une
entraine mécaniquement un ajustement de l’autre.
Cependant, les dépenses publiques semblent ne pas avoir de lien apparent à la croissance
et que cette dernière subisse des successions de chocs économiques de fréquence relativement
régulière. Cela laisse présagé la neutralité de l’intervention de l’Etat à travers ses dépenses.

Modélisation ARDL
Cièaprès la forme initiale de notre modèle
β
GDPt = A CAPITALαt−1 GOVt (59)

. GDP : PIB réel

 . CAPITAL : Formation de Capital Fixe
. GOV : Dépense publique productive
Après avoir constaté que l’ordre d’intégration de toutes les variables en logarithme
(LOGCAPITAL, LOGDGDP, LOGGOV) ne dépassent pas 1 (elles sont toutes intégrées
d’ordre 1), Il s’avère approprié de recourrir à la Modélisation ARDL (p,d,q). Il convient
de rappeler que même si toutes les variables soient du même ordre d’intégration ou de
différente ordre (I(1) ou I(0)), la modélisation ARDL est toujours implémentable.
Une variable dummy a été introduite pour capturer les effets antérieurs des crises
économiques (1981, 1991, 2002, 2009).

Figure 38: Spécification du Modèle ARDL

Au lieu de choisir Least square on selectionne ARDL dans le champ Estimation settings de
la Tab Specification. Veiller à ce que la période d’estimation soit bien spécifiée, c’est à dire
entre 1960 et 2016. Ecrire d’abord l’endogène puis les exogènes ensuite laisser EViews 10
choisir le nombre de retards optimal en cliquant sur Automatic Selection. Ecrire la variable
dummy et choisir la spécification const et trend.

Figure 39: ARDL (1,0,1)

On obtient alors un Modèle ARDL(1,0,1) associé à l’équation ci dessous :

 LOGGDPt = 0.712 LOGGDPt−1 + 0.088 LOGCAPITALt + 0.083 LOGGOVt (60)
− 0.093 LOGGOVt−1 + 5.680 + 0.002 t − 0.072 DUMMY

Tests aux bornes Une fois la spécification du modèle achevée, faire le test aux bornes ou
bounds test.

Figure 40: Test aux bornes

La règle de décision est :

- si la statistique du test F-bounds Test est inférieure aux bornes I(0) on accepte l’hypothèse
nulle d’absence de cintégration
- Si la statistique du test F-bounds Test trouve entre les bornes I(0) et I(1) le test n’est pas
concluant
- si la statistique du test F-bounds Test est supérieure à I(1) on rejette l’hypothèse nulle
d’absence de cointégration. C’est à dire la présomption d’une relation d’équilibre de
long n’est pas écartée.
Dans notre application, on se situe dans le troisième cas. C’est à dire qu’une relation de
cointégration est à considérée. (15.58 > 8.34 car on a n= 56)

Modèle à correction d’erreur La force de rappel (-0.28 soit 28 pour cent) a le signe qu’on
avait espéré. De plus elle significative à 1 pour cent. Cela signifie que 28 pour cent de l’effet
du choc sera resorbé au cours de la prochaine période. On en déduit alors qu’il faut 3.57
période (années) pour que l’effet du choc disparaisse.
On constate également que seul les dépenses publiques ont un impact à court terme sur
la croissance économique qui est de l’ordre de 0.08.
 Figure 41: Modèle à correction d’Erreur

dynamique de long terme L’équation de long terme s’illustre comme suit :

LOGGDPt = 0.308 LOGCAPITALt − 0.03 LOGGOVt (61)

(0.00) (0.76)

Les termes entre parenthèses désignent les valeurs des p-value des coefficients.
Cette équation traduit qu’une augmentation à long terme du capital de 1 pour cent
correspond à une hausse de 0.3 point de pourcentage de la croissance. L’effet des dépenses
publiques serait nul puisque la p-value est largement supérieur à 5 pour cent (0.76)

Modèle de prévision Le modèle retenue pour faire la prévision sera ainsi l’équation 62.
Pour une prévision à une période en avant on a :

E[ LOGGDPt+1 ] = 0.712 LOGGDPt + 0.088 E[ LOGCAPITALt+1 ] + 0.083 E[ LOGGOVt+1 ]

− 0.093 LOGGOVt + 5.680

La variable DUMMY disparait car son espérance est nulle E[ DUMMY ] = 0. Il est
cependant crucial de noter qu’il est nécessaire de prévoir les valeurs jusqu’en 2020 des
variables LOGCAPITAL et LOGGOV pour prévoir celle de LOGGDP.
Deux options sont possibles, soit on fixe ces valeurs de manière politique c’est à dire en
fonction des objectifs de l’Etat, soit on applique la méthode de prévision univariée. Dans
notre cas on a supposé qu’une augmentation annuelle de 10 pour cent sera prévu à partir de
2017 jusqu’en 2020. Quant au capital, nous avons utilisé la technique de lissage exponentielle.
Une nouvelle variable LOGCAPITAL SMOOTH a été donc généré à partir du taux de
croissance du log du capital. On obtient le taux puis on extracte la valeur en niveau ensuite
on applique le logarithme.
soit η le taux de croissance du capital obtenu à partir du lissage exponentielle. L’expression
ci-près est donc valable :

(log(CAPITALSMOOTHt ) − log(CAPITALSMOOTHt−1 )) × 100 = η

η
CAPITALSMOOTHt = CAPITALSMOOTHt−1 × exp 100
On applique le log sur l’échantillon totale (1960 2020).
Maintenant ouvrez l’objet équation :
 Figure 42: Fenetre de prévision

cliquer sur forecast, dans le champ forecast sample spécifier la taille de l’échantillon 2017
2020 ainsi que le nom de la variable prévu, soit LOGGDPFSMOOTH. Cliquer sur OK
Cette opération nous permettra d’obtenir le logarithme du PIB Réel donc son taux de crois-
sance en la différenciant en générant la première différence du ,D ( LOGGDPFSMOOTH )

Figure 43: Prévision du taux de croissance

Une tendance [3] à la baisse est prévisible pour les quatre prochaines années à venir.
Ainsi,pour les années 2017, 2018 et 2019, le modèle a prévu 3.31, 3.08 et 2.87 pour cent de
croissance pour se conclure à 2.67 pour cent en 2020.
Par rapport aux prévisions officielles, ces chiffres sont en deçà.
Outre cela, nous avons réalisé une simulation à l’issue de laquelle un sénario de référence
ou baseline scenario a été retenu (voir le programme dans l’annexe fanchart).
 Figure 44: Comparaison avec le scénario de reférence

Les résultats affichent des taux simulés supérieurs à ceux que le modèle prévoyait. On
estime à cet effet un écart moyen de l’ordre de 1.5 point avec un écart maximal de 1.73 en
2020. Par ailleurs on peut remarque que cet écart se creuse au cours du temps.

date ARDL(1,0,1) Simulation écart

ECM
2017 3.31 4.54 1.23
2018 3.08 4.49 1.40
2019 2.86 4.43 1.56
2020 2.66 4.40 1.73

Table 1: Résultats de la prévision

IV. CONCLUSION
Références
[1] Damodar N. Gujarati (2004) Basic Econometrics, fourth Edition
[2] Damodar N. Gujarati (2008), basic econometrics, McGraw-Hill 5ème édition (944 PAGES)
[3] Isabelle Cadoret, Catherine Benjamin, Franck Martin, Nadine Herrard, Steven Tanguy
(2009), Econométrie Appliquée : Méthodes - Application- Corrigés
[4] James H. Stock et Mark W. Watson (2010), Introduction to Econometrics
[5] Jean-Baptiste Gossé et Cyriac Guillaumin (2011), Christopher A.Sims et la représentation
VAR
[6] John W Keating (1992), Structural Approches to Vector Autoregression
[7] John Cochrane, Time Series for Macroeconomics and Finance, (lecture notes 2005)
[8] Walter enders (2015) , applied econometric time series, forth edition , wiley (496 PAGES)
[9] Regis Bourbonnais (2015), Econométrie cours et exercices corrigés, 9ème édition, dunod 392
PAGES
[10] Robert S. Pindyck et Daniel L. Rubinfeld (2000 ), Econometric models and economic forecast,
(654) Pages
 ’

ANNEXES
Introduction
Dans les travaux économétriques, Il est nécessaire voire indispensable de programmer
chaque étape du processus. Il s’agit en effet de faire une repertorisation de quelques lignes de
commande afin de dresser une historique de processus bien structurée de manière cohérente.
L’objectif consiste ainsi à établir une sorte de tableau de bord lequel servira à retracer les
démarches précédemment faites. Le modélisateur pourra en effet reprendre ou revenir, sans
faire d’erreur, sur les étapes antérieures ; exposer ce qu’il a fait tout au long de l’étude et les
réaliser de manière séquentielle.
Cependant , programmer n’est pas une contrainte mais une nécéssité. On peut très bien
utiliser les boutons de menus et enregistrer le document contenant tous les objets sans passer
par une programmation. Certains utilisateurs n’y sont pas habitués et, à cet effet, perdent
souvent du temps en faisant du va et vient sur ces boutons de menus. On gagne plus de
temps en programmant.
Par ailleurs, comme dans tout structure programmatique, il existe des règles sur lesquels
reposent l’exécution du programme. Une ordonnancement stricte y doit être établie dans
le respect des langages que EViews met à sa disposition. Bien que Eviews est indifférent à
l’usage du majuscule ou du minuscule, il est sensible à une erreur de syntax. Il est donc
fortement conseillé de bien vérifier l’exactitude de ces syntax, ligne par ligne, et de bien lire
attentivement le message d’avertissement en cas d’erreur.
Programmer n’est pas souvent évident pour certaine personne car tous le monde n’a pas
été programmé pour le faire. Cette note offrira alors une démarche assez détaillée d’une
programmation de base sous EViews dans l’application de la modélisation univariée.
Que faire :
- Chaque programme est suivi d’un commentaire
- Ne jamais oublier de faire une sauvegarde
- Toujours vérifier la période d’estimation
- En cas d’erreur, lire attentivement le message d’avertissement
- Vérifier ligne par ligne avant l’exécution
- avant d’entamer une nouvelle ligne de commande, l’exécuter pour vérifier si ça marche
ou pas
- mettre des commentaire si nécessaire. utiliser l’apostrophe ( ’ )
- En cas d’oubli de la commande, procéder d’abord par le bouton menu pour récuperer
la commande dans la fenêtre capture

Programme
Dans notre cas, nous allons éffectué un modèle univarié sur le Pib réel. Pour cela, nous
allons faire une analyse comparative de quelque modèle et faire une prévision du modèle
retenu. Une fois que la base est créer, ouvrer une fenêtre de programmation.

MODELE UNIVARIE
ARIMA
pageselect prevision
smpl @all
 −→ choisir la feuille dans laquelle le base de données se trouve et opter comme taille de
l’échantillon l’observation totale
genr logpib=log(pib)
genr dum=@recode(@year=1981 or @year=1991 or @year=2002 or @year=2209,1,0)
−→ Faire une transformation logathmique en vue d’une réduction de donnée et créer
une variable dummy afin de capter l’effet des chocs (crises 1981 1991 2002 2009)
line logpib
freeze(pib01) logpib.line
freeze(correl01) logpib.correl
−→ tracer une courbe puis le figer. Commande correl sert à tracer un correlogram
freeze(teststat01_ADF) logpib.uroot(exog=none, lagmethod=aic)
−→ Faire un test de stationnarité ADF, ni constante ni tendance, en utilisant le critère
d’information AIC puis figé
freeze(teststat01_PP) logpib.uroot(exog=none, pp)
−→ Faire un test de stationnarité PP, ni constante ni tendance, en utilisant les spécifica-
tions par défaut d’EViews puis figé
smpl 1960 2010
logpib.autoarma(tform=none, diff=1, forclen=7, agraph, atable,
etable, fgraph, eqname=equ_automatic) logpibf_arima_automatic c dum
−→ Faire une prévision en sous échantillon en utilisant l’option EViews AUTOMATIC
ARIMA FORECASTING de 1960 à 2010. Dans l’option arima, none : aucune transformation,
forclen : prévision sur les 7 période à venir, (agraph, atable, etable, fgraph) : ce sont les outputs,
eqname=equ automatic : nom de l’objet equation crée.
smpl 2011 2017
equ_automatic.forecast(e, g) logpibf_arima_automatic
−→ Faire une prévision à partir de l’équation equ a utomatic
smpl 2010 2017
line logpibf_arima_automatic logpib
−→ Faire une graphique comparative entre les réalisations et les valeurs prévues
smpl 1960 2010
equation arima_01.ls d(logpib) c dum
smpl 2011 2017
arima_01.forecast(e, g) logpibf_arima
−→ spécification d’une autre équation tirée à partir de l’automatic arima forecasting puis
faire une prévision en sous échantillon.
genr pib_arima=exp(logpibf_arima)
genr pib_automatic=exp(logpibf_arima_automatic)

smpl 2009 2017

graph prevision01.line pib_arima pib_automatic pib
show prevision01

−→ générer les séries initiales et réaliser une graphique comparative entre prévisions et
réalisations
LISSAGE EXPONENTIELLE
smpl 1960 2017
genr tdc=@dlog(pib)*100
line tdc
freeze(correl02) tdc.correl
tdc.smooth(n) tdcsm
smpl 2009 2017
graph prevision02.line tdc tdcsm
show prevision02

−→ Faire une lissage exponentielle. @dlog(pib)*100 : créer une variable taux de crois-
sance du pib, tdc.smooth(n) tdcsm : commande lissage exponentielle, faire une graphique
comparative en réalisation et prévision

FILTRE HODRICK PRESCOTT

smpl 1960 2017
logpib.hpf logpib_hp
smpl 2009 2017
graph prevision03.line logpib_hp logpib
show prevision03

−→ application du filtre sur la série logpib puis faire une graphique comparative entre
réalisation et prévision

genr tdc_hp=d(logpib_hp)*100
genr tdc_automatic=d(logpibf_arima_automatic )*100
genr tdc_arima=d(logpibf_arima)*100
line tdc_hp tdc_automatic tdc_arima tdcsm

−→générer des séries exprimées en taux de croissance

Evaluation de la performance des prévisions

smpl 1960 2017
tdc.fcasteval(trainsmpl="1960 2000", evalsmpl=" 2001 2017")
tdc_hp tdc_automatic tdc_arima tdcsm
smpl 2018 2020
equ_automatic.forecast(e, g) logpibf_prev2020
genr tdc_prev_2020=d(logpibf_prev2020)*100

−→ Il s’agit ici de faire une selection entre les différentes prévisions. trainsmpl : échantillon
dans laquelle le modèle a été crée, evalsmpl : échantillon dans laquelle le modèle a été testé.
Comparer les prévisions et les réalisations sur l’échantillon d’évaluation
−→Elaborer une prévision jusqu’en 2020 à partir du modèle retenu. Dans notre cas, c’est
le modèle ARIMA AUTOMATIC

MODELE MULTIVARIE
VAR
pageselect TQM
’transformation des variables (réduction logarithmique)
smpl 1962 2017
genr tdcm3=@dlog(m3)*100
tdcm3.uroot( lagmethod=aic)
infl.uroot(lagmethod=aic)
graph graph01.line tdcm3 infl
graph01.addtext(t, font(12), [+/ b]) taux de croissance
graph01.options size(4.7,3.2) indenth(0.16)
show graph01

−→ Choisir la feuille dans laquelle la base est localisée, Faire une transformation afin
que les variables soient exprimées en taux de croissance. Puis les appliquer le test de racine
unitaire ADF pour vérifier la stationnarité des variables, réaliser une graphique personnalisée.

var var01.ls 1 3 infl tdcm3

var01.laglen(6) ’choix du nombre de retard
freeze(VAR_FINAL) var01.ls 1 1 infl tdcm3
freeze(stab_graph) var01.arroots(graph)

−→ Estimer le modèle VAR non restreint en choisissant de manière arbitraire le nombre

de retard initial. Utiliser des critères d’informations pour la selection du retard optimal puis
estimer de nouveau le VAR optimal. Enfin vérifier sa stabilité

var01.representations
var01.append(svar) @VEC(S) = 1, 0, NA, 1 ’ première colonne (1,0)
deuxième colonne (NA,1)
var01.svar

−→ Imposer une restriction dans le Modèle VAR tel que le coefficient de la première colonne
du deuxième ligne soit égal à 0. Puis restimér de nouveau de le Modèle

freeze(impulsion_VAR) var01.impulse(30, se=a) infl @ tdcm3

impulsion_VAR.addtext(t, font(14), [+/ b]) réponse de inflation face
à un choc monétaire
impulsion_VAR.options size(4.7,3.2) indenth(0.16)
show impulsion_VAR

−→ Effectuer une fonction de réponse impulsionnelle pour voir l’effet de la variation de

la croissance monétaire sur l’inflation

’ prévision
smpl 2018 2020
var01.forecast(g, e) f
smpl 2010 2020
graph inflation.line infl infl_f
inflation.options linepat
inflation.setelem(2) symbol(CIRCLE) linewidth(3)

−→ Réaliser une prévision à partir de 2018

ARDL
pageselect DPEAC_MEP
close @objects
smpl 1960 2020
genr loggdp=log(gdp)
genr logcapital=log(capital)
genr loggov=log(gov)
genr tdc=d(loggdp)*100

−→ Selection de la feuille contenant la base de donnée et transformation sous forme

logarithmique des variables.

scat LOGGDP LOGCAPITAL

scat loggdp loggov
group variables LOGGDP LOGGOV LOGCAPITAL
plot variables
series dummy=@recode(@year=1981 or @year=1991 or @year=2002 or @year=2009,1,0)

−→ Réaliser un scatter plot pour detecter la possiblité d’une relation entre les variables
puis générer une variable indicartice afin de tenir compte des effets des crises antérieures.

equation equ_ardl.ardl(trend=ulinear) loggdp logcapital loggov @ dummy

equ_ardl.cointrep
equ_ardl.ecreg
’TEST SUR LES RESIDUS
equ_ardl.correl
equ_ardl.hist
equ_ardl.auto
equ_ardl.hettest loggdp(-1) logcapital loggov loggov(-1) dummy c @trend
equ_ardl.rls(q) c(1) c(2) c(3) c(4) c(5) c(6) c(7)

−→ Effectuer une estimation ARDL en tenant compte de la constante, de la tendance et

de la variable indicatrice. Faire une série de test sur le résidu (Autocorrélation, normalité et
hétéroscédasticité). Vérifier la stabilité des coefficients à partir d’un test de CUSUM

equation equ_ardl1.ls loggdp loggdp(-1) LOGCAPITAL LOGGOV LOGGOV(-1)

c @trend dummy
fit loggdp_ardl
equ_ardl1.makemodel(model_ardl)

−→ ré-estimer le modèle ARDL(1,0,1), extraire la série estimée puis générer un objet Model.

smpl 2011 2016

model_ardl.solve
delete(noerr) prev_gdp*
model_ardl.makegraph(a) prev_gdp @endog
show prev_gdp

−→ Faire une prévision en sous échantillon entre 2011 - 2016 à partir du modèle généré.

scalar rmse_gdp = @rmse(loggdp,loggdp_0)

−→ calculer la racine de la moyenne de la carrée des résidus entre la réalisation et la
prévision.
smpl 1960 2016

series tdc_ardl=d(loggdp)*100
series tdc_ardl1=d(loggdp_0)*100
series tdc_ardl2=d(loggdp_ardl)*100

delete(noerr) compar_pib*
smpl 2010 2017
graph compar_pib.line tdc_ardl tdc_ardl1
show compar_pib
−→ Générer des séries de taux de croissance du PIR réel.
smpl 1960 2016
genr tdc_cap=d(logcapital)*100
tdc_cap.smooth(n) tdc_cap_smooth
smpl 1960 2020
genr logcapital_smooth=log(CAPITAL_SMOOTH)
−→ prévoir les valeurs futurs du capital en faisant une lissage exponentielle.
smpl 1960 2016
equation equ_ardl_prev_smooth.ls loggdp loggdp(-1) LOGCAPITAL_smooth LOGGOV LOGGOV(-1)
smpl 2017 2020

−→ Ré-estimer le modèle ARDL (1,0,1) en étirant l’échantillon jusqu’en 2020. Cela

suppose alors que les valeurs du LOGCAPITAL (incorproré dans LOGCAPITALsmooth) et
du LOGGOV (hausse annuelle de 10 pour cent à partir 2017)
equ_ardl_prev_smooth.forecast(e, g) loggdpf_smooth
smpl 1960 2020
genr tdc_ardl_prev_smooth=d(loggdpf_smooth)*100
smpl 2009 2020
line tdc_ardl_prev_smooth tdc
−→ Effectuer la prévision sur le modèle estimé jusqu’en 2020

SIMULATION
pageselect fanchart
%esmpl="@first+1 2013"
%fsmpl="2014 2020"
−→ Selection de la base de donnée, spécification de l’échantillon pour l’estimation et la
prévision.
’Bootstrap errors? 1=yes, 0=no, use normal distribution
!boot=0
’Coefficient uncertainty? 1=yes, 0=no coefficient uncertainty
!coefu=0
’For example, !numb=1 plots 90% band and the mode,
’!numb=2 plots 90% band, 45% band and the mode
!numb=3
−→ Faire une simulation en spécifiant que les coeffiicients sont bien estimés, utilisé la
méthode bootstrap et générer 3 bandes pour l’intervalle de confiance

smpl 1960 2020

genr dloggdp_smooth=d(LOGGDPF_SMOOTH)
equation ecm.ls d(loggdpf_smooth) ec(-1) d(loggov) @trend dummy c
%varname=" dloggdp_smooth"
genr dloggov= d(LOGGOV)

−→ A partir de la valeur prévisionnel du log du PIB réel, générer une variable exprimée
en taux de croissance 7 .

smpl {%esmpl}
equation eq_mod.ls {%varname} ec(-1) dloggov @trend dummy c
eq_mod.makemodel({%modname})

−→ Spécifier le modèle à correction d’erreur et générer un objet Modèle

’=============== Main Fan Chart Program==============

%quant_array="90 "
!quant_step=90/!numb
!k=90-!quant_step
while !k>5
%quant_array=%quant_array+@str(@round(!k))+" "
!k=!k-!quant_step
wend
%quant_array=%quant_array+"1"

delete(noerr) g2
group g2

for %quant {%quant_array}

!alfa={%quant} ’current confidence level
smpl {%fsmpl}
!alfa_ratio=!alfa/100

!num_simul=100000

if @abs(!boot-1)<0.0001 then ’boot strap errors

if @abs(!coefu-1)<0.0001 then ’coefficient uncertainty
{%modname}.stochastic(i=b, b=!alfa_ratio,c=t,r=!num_simul)
else ’no coefficient uncertainty
{%modname}.stochastic(i=b, b=!alfa_ratio,r=!num_simul)
endif
else ’normal errors
if @abs(!coefu-1)<0.0001 then ’coefficient uncertainty
{%modname}.stochastic(i=n, b=!alfa_ratio,c=t,r=!num_simul)
else ’no coefficient uncertainty
{%modname}.stochastic(i=n, b=!alfa_ratio,r=!num_simul)
7. loggdpsmooth est valeur du logarithme du PIB réel obtenue en utilisant le lissage exponentielle pour
prévoir la valeur du capital et l’augmentation annuelle de 10 pour cent des dépenses publiques
endif
endif

{%modname}.solveopt(s=b,d=d)
{%modname}.solve

%first_elem_fsmpl=@wleft(%fsmpl,1)
%second_elem_fsmpl=@wright(%fsmpl,1)

smpl {%first_elem_fsmpl} {%first_elem_fsmpl}

{%varname}_0h={%varname}
{%varname}_0l={%varname}

’delete(noerr) smpl_gr
’sample smpl_gr {%first_elem_fsmpl}-6 {%second_elem_fsmpl}
smpl {%first_elem_fsmpl}-6 {%second_elem_fsmpl}
if !alfa<3 then
%quant="0"
endif
series {%varname}_{%quant}h_={%varname}_0h
series {%varname}_{%quant}l_={%varname}_0l
g2.add {%varname}_{%quant}l_ {%varname}_{%quant}h_

next
series p1={%varname}
g2.add {%varname} p1
freeze(fanchart, mode=overwrite) g2.band(o="modern")

fanchart.legend -display
for !i=1 to !numb+1
!r=@round(0.2*255)
!b=0
!g=@round((1-0.175*@sqrt(!i) )*255)
fanchart.setelem(!i) fcolor(@rgb(!r,!g,!b))
next
!numline=!numb+2
fanchart.setelem(!numline) fcolor(blue) lwidth(10)

fanchart.draw(shade,b, gray) {%fsmpl}

show fanchart

smpl 1960 2016

−→ de préférence, il ne faut pas toucher à cette partie du programme car il s’agit d’une
itération et d’une boucle.
 Analyses mathématiques (Mr T. RAKOTOARIMANANA)
Niveau L1 ECONOMIE (ASJA)
Durée 4h
Tous documents non autorisés et tous les exercices sont obligatoires

"The economic world is a misty region. The first explorers used unaided vision. Mathematics is
the lantern by which what was before dimly visible now looms up in firm, bold outlines. The old
phantasmagoria disappear. We see better. We also see further -Irving Fisher (1892)"
Exercice 1
x
Soient les deux équations ( x+1)( x+ 2)( x +3)
et ( x+3x)+2 (2x+7)
1. Décomposer ces deux expressions en éléments simples.
∞ ∞
x x+2
2. Calculer ∑ et ∑ 2
x =0 ( x + 1)( x + 2)( x + 3) x =0 ( x + 3) ( x + 7)
Exercice 2
Résoudre les équations de récurrences suivantes :
i y t +2 − y t +1 + y t = 5t −1 t
ii yt+1 + βyt = 7 (Préciser vos solutions suivant la valeur de β )
Exercice 3 R∞
Soit l’intégrale Γ[ x ] = 0 e−t t x−1 dt (x > 0)
1. Calculer Γ[ x ] pour x = 1.
2. Exprimer Γ[ x + 1] en fonction de Γ[ x ].
3. Calculer Γ[2], Γ[3], Γ[4], Γ[5] et Γ[6]. Que peut on dire de Γ[n]
1.3.5...(2n−1) √ (2n−1)!
4. Montrer par recurrence que Γ[n + 21 ] = 2n π = 22n−1 (n−1)!
R∞ 2 √
5. Sachant que 0 e−t dt = 2π , calculer Γ[ 52 ]
Exercice 4
De Chenery, Arrow, Minhas et Solow, soit l’équation différentielle

dy y(1 − αyρ )
=
dx x
1 αyρ−1 1
1. En utilisant l’identité y + (1−αyρ )
= y(1−αyρ )
, trouver la solution de cette équation.
− 1ρ β
2. Soit x = KL et définissons les constantes A et a par A = (α + β) et a = α+ β .
Exprimer :
(i) (1 − a) en fonction de α et β,
(ii) (α + β) en fonction de A et ρ
(iii) α en fonction de (1 − a), de A et de ρ
− ρ1
3. Déduire de la question (1), (i),(ii) et (iii) que y = A[δK −ρ + (1 − δ) L−ρ ]
Exercice 5
Soit la fonction de production de type CES (Constant Elasticity of Substitution)

− 1ρ
Q = [δK −ρ + (1 − δ) L−ρ ]

1. En utilisant la règle de l’Hôpital, calculer la limite de lnQ quand ρ tend vers 0 (où
ln est le logarithme népérien )
2. Déduire de la question [1] que lim Q = K δ L1−δ
ρ →0
 Examen des recherches opérationnelles (Mr T. RAKOTOARIMANANA)
Niveau : M1GCI (ASJA)
Tous documents autorisés (livres et cours manuscrits)
3h
...Mathematics, rightly viewed, possesses not only truth but supreme beauty...-Bert Rand
RUSSELL-
Programmation linéaire

Exercice 1
On considère le programme linéaire suivant :

max 5x1 + 6x2 + 9x3 + 8x4

x1 + 2x2 + 3x3 + 2x4 ≤ 5
x1 + x2 + 2x3 + x4 ≤ 3
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0, x4 ≥ 0

1) Montrer que x = (1, 1, 1/2, 0) est une solution réalisable de ce programme et y =

(−1, 0, 2, 0) ne l’est pas.
2) Montrer sans faire aucun calcul que x n’est pas optimale pour ce programme.
Exercice 2
Une entreprise produit 3 biens : x1 , x2 et x3 , qu’elle vend respectivement aux prix de 4, 4,
et 8 £. Pour ces trois produits, elle dispose de trois inputs b1 , b2 et b3 . Le tableau ci-dessous
présente les quantités de chaque inputs nécessaires à la production d’une unité des différents
biens ainsi que les quantités d’inputs disponibles

1) Trouvez le plan de production qui maximise le chiffre d’affaire.

2) Cette entreprise désire assurer les inputs contre le feu. Trouvez les primes relatives
à chaque input permettant à l’entreprise de minimiser la somme des primes, tout en
conservant le même revenu unitaire pour chaque bien.
3) Donnez une interprétation économique du résultat trouvé en 2).

Chaine de markov

Exercice 1
Supposons que toutes les entreprises Coca-Cola ne produisent que 2 types de cola (type 1
et type 2). Si une personne donnée achetait un coca-cola de type 1 lors de son dernier achat,
il y a 80 pour-cent de chance qu’elle va acheter le même produit pour son prochain achat.
Pour une personne qui a acheté le produit type 2 lors de son dernier achat, la probabilité
qu’elle va encore acheter ce produit pour son prochain achat est de 70 pour-cent.
1) Tracez le graphe de ce processus et écrire sa matrice de transition.
2) Si une personne consomme le produit type 1 lors de son dernier achat, quelle est la
probabilité qu’elle passera au produit type 2 pour son cinquième achat de coca-cola.
3) Si une personne a acheté le produit type 2 lors son dernier achat, quelle est la probabilité
qu’elle va encore acheter ce produit pour son quatrième achat de coca-cola.
4) Trouvez l’état stationnaire de ce processus.
5) Supposons qu’il y a 100 millions de consommateurs de coca-cola chaque année et
qu’un consommateur achète un coca-cola par semaine. Si des dépenses publicitaires
qui coutent 500 millions de dollars ont permis au vendeur du produit type 1 d’avoir le
résultat suivant : Si une personne achète le coca-cola type 1 lors de son dernier achat,
la probabilité qu’elle va encore acheter ce produit augmente de 5 pour-cent par rapport
à la situation d’avant. Si une unité de coca-cola vendu permet à ce vendeur de réaliser
un profit de 1,25 dollars, dire s’il a intérêt à faire ces dépenses publicitaires.
 Exercice 1
Soit Y1 , Y2 , ..., Yn un échantillon des variables aléatoires suivant la fonction de densité :
1
f (y/α, θ ) = yα−1 e−y/θ
Γ(α)θ α
pour y > 0 et 0 ailleurs

où α est connu
Question 1 Trouver l’estimateur de maximum de vraisemblance de θ̂
Question 2 Calculer E(θ̂ )
Question 3 Montrer que θ̂ est un estimateur efficace de θ.
Exercice 2
Supposons un échantillon de variable aléatoire issu des quatre observation de fonction
de densité :
1
f (y/α, θ ) = 3 y2 e−y/θ
2θ
pour y > 0 et 0 ailleurs
Question. Trouver la zone de rejet de test de puissance maximale pour le test : H0 : θ = θ0 contre
Ha : θ = θ 1
 Examen d’économétrie de séries temporelles (Mr RAKOTOARIMANANA T.)
Documents autorisés
Durée 3h
Niveau M2 ED -ASJA-(Deuxième session)

Exercice 1
Supposons le résultat de l’estimation de la forme réduite d’un modèle VAR structurel de la
forme :

yt = b10 − b12 zt + θ11 yt−1 + θ12 zt−1 + ǫyt

zt = b20 − b21 zt + θ21 yt−1 + θ22 zt−1 + ǫzt

      
yt 0.8 0.2 y t −1 e1t
= +
zt 0.2 0.8 z t −1 e2t

où ǫyt et ǫzt sont des bruits blancs.

1. Notons xt−i = Li xt , écrivez les processus yt et zt sous la forme yt = A( L)e1t + B( L)e2t
et zt = C ( L)e1t +
 D(L)e2t où A( L), B( L), C ( L), et D ( L
) sont des polynômes retards ;
yt 0.8 0.2 e1t
2. En notant xt = ,A= , et et = ; écrivez le processus xt sous la
zt 0.2 0.8 e2t
n
forme xt = ∑ Ai et−i + An+i xt−n−1. Le processus xt est-t-il convergent ?
i =1
3. En utilisant la question 1., discutez l’allure de la fonction de réponses impulsionnelles
de yt si e1t varie de une unité. Même question si e2t varie de une unité.
4. Supposons que e1t = ǫyt + 0.5ǫzt et e2t = ǫzt , tracez la courbe de fonction des réponses
impulsionnelles de yt+i (avec i = 0, 1, 2, 3, . . . , 15) si ǫzt varie de une unité. Discutez
l’allure de cette courbe.
5. Répondez à la question 4. dans le cas où e1t = ǫyt et e2t = 0.5ǫyt + ǫzt
6. Quelles sont les hypothèses retenues pour la valeur de b10 et celle de b20 dans le résultat
de l’estimation de la forme réduite ci-dessus.
Exercice 2
Un économètre vous transmet les restrictions suivantes pour l’estimation d’un modèle
VAR structurel :

    
eyt 1 0 0 ǫy t
 emt  =  c21 1 c23   ǫmt 
eπt 0 0 1 ǫπ t

Les variables endogènes du modèles sont la production yt , la monnaie mt , et l’inflation

πt .
1. Le modèle est-t-il sous-identifié, exactement identifié ou sur-identifié ?
2. Donnez des interprétations économiques plausibles de ces différentes restrictions.
 Examen de statistiques mathématiques (Mr RAKOTOARIMANANA T.)
Documents non autorisés
Durée 3h
Niveau L3 Economie -ASJA-(Deuxième session)

Soit ( X1 , X2 , . . . , Xn ) un échantillon d’une variable aléatoire X de densité

(
1 − 1θ −1
θx si x ≥ 1 ;
f ( x; θ ) =
0 ailleurs
où θ est un paramètre réel inconnu strictement positif.
n
1
Question 1. Sachant que d’estimateur θ̂ de θ est n ∑ lnXi . Trouvez cet expression par
i =1
la méthode de maximum de vraisemblance. 1
Question 2. Calculez E[lnX ] ( On donne lim − x − θ lnx = 0) et en déduire que θ̂ est
x →+∞
un estimateur sans biais de θ.  2 
Question 3. Rappelons que In (θ ) = E − δ δθlnL
2 ; calculez In (θ ).
1
Question 4. Rappelons que θ̂ est un estimateur efficace si Var (θ̂ ) = In (θ )
. Après avoir
calculer Var (θ̂ ), montrez que θ̂ est efficace.
 Analyses mathématiques (Mr RAKOTOARIMANANA T.)
Documents non autorisés
Durée 3h
Niveau L1 Economie -ASJA-(Deuxième session)

Exercice 1 (Décomposition en élément simple et primitive)

1.Décomposer les deux expressions suivantes en éléments simples :

a) x
4x2 +2x −12
et
b) x
x 2 −4
2. Calculez
R
a) x
x 2 −4
dx
R 2
x −3
b) 2x2 + x −6
dx
Exercice 2 (Équations différentielles)
1. Montrez que 4y3 t2 dy + (2y4 t + 3t2 )dt = 0 est une équation différen-
tielle exacte

2. Résoudre l’équation différentielle dk

dt = skα − λk ( s et λ sont des
constantes et α 6= 1 )
Examen des recherches opérationnelles (Mr T. RAKOTOARIMANANA)
Niveau : M1GCI -ASJA- (Deuxième session)
Documents non autorisés
2h-30

Chaine de markov

Exercice 1
Supposons que toutes les entreprises Coca-Cola ne produisent que 2 types de cola
(type 1 et type 2). Si une personne donnée achetait un coca-cola de type 1 lors de
son dernier achat, il y a 90 pour-cent de chance qu’elle va acheter le même produit
pour son prochain achat. Pour une personne qui a acheté le produit type 2 lors de son
dernier achat, la probabilité qu’elle va encore acheter ce produit pour son prochain
achat est de 80 pour-cent.
Question 1. Tracez le graphe de ce processus et écrire sa matrice de transition.
Question 2. Si une personne consomme le produit type 1 lors de son dernier achat,
quelle est la probabilité qu’elle passera au produit type 2 pour son cinquième achat de
coca-cola.
Question 3. Si une personne a acheté le produit type 2 lors son dernier achat, quelle
est la probabilité qu’elle va encore acheter ce produit pour son quatrième achat de
coca-cola.
Question 4. Trouvez l’état stationnaire de cette chaine.
Question 5. Supposons qu’il y a 100 millions de consommateurs de coca-cola chaque
année et qu’un consommateur achète un coca-cola par semaine. Si des dépenses
publicitaires qui coutent 500 millions de dollars ont permis au vendeur du produit
type 1 d’avoir le résultat suivant : Si une personne achète le coca-cola type 1 lors de
son dernier achat, la probabilité qu’elle va encore acheter ce produit augmente de 5
pour-cent par rapport à la situation d’avant. Si une unité de coca-cola vendu permet
au vendeur de réaliser un profit de 0.75 dollars, dire s’il a intérêt à faire ces dépenses
publicitaires.
Exercice 2  
0 0 1 0 0 0
 0 0 0 0 0 1 
 
 0 0 0 0 1 0 
Considérons la matrice de transition P =   1 1 0 1 0 0 

 4 4 2 
 1 0 0 0 0 0 
0 31 0 0 0 32
Question 1. Quels sont les états "transient" ?
Question 2. Quels sont les états "recurrent" ?
 ATHÉNÉE SAINT JOSEPH D’ANTSIRABE
MENTION-ÉCONOMIE ET COMMERCE-L1-
Mr Tsiriheriniaina R.

ALGÈBRE LINÉAIRE SEMESTRE 2

L’épreuve dure 4h. Les exercices sont indépendants.La notation tiendra compte de la clarté,de la
présentation et de la justification des résultats obtenus. Aucun document n’est autorisé.
Exercice 1 (5 points)
1. Donner les propriétés d’une application linéaire.
2. On rappel que deux matrices semblables représentent le même endomorphisme. Soient
A et A′ deux matrices semblables, donner la relation liant A et A′ .
3. Soit (3 − λ)2 (λ + 5) le polynôme caractéristique d’une matrice. Donner les conditions
requises pour que cette matrice soit diagonalisable.
4. Soit A3 + A2 − A − In = 0, trouver A−1 en fonction de A et In où In est la matrice unité
d’ordre n.
5. Si déterminant( A) < 0, la matrice est-t-elle inversible ou non ?
Exercice 2 (5 points)
Soit A la matrice carrée d’ordre n :
 
−2 1 0 0
···
 .. 
...
 −3 −2 1 . 
 . . 

A =  0 −3 . . . . 0 
 . . . 
 .. . . . . −2 1 
0 · · · 0 −3 −2
1. Notons par An le déterminant de la matrice A ; donner la relation liant An , An−1 , et
A n −2 .
2. Trouver l’expression de An en fonction de n.
3. Calculer A7 , A77 , A777 .
Exercice 3 (10 points)
On considère l’endomorphisme

f : R3 −→ R3
( x1 , x2 , x3 ) −→ (4x3 , x1 + 2x2 + x3 , 2x1 + 4x2 − 2x3 )

1. Montrer que f est linéaire.

2. Soit β = (e1 , e2 , e3 ) la base canonique de R3 . Ecrire la matrice qui représente f dans β.
3. On note A := Mat β ( f ). Donner le polynôme caractéristique de A.
4. Calculer les valeurs propres de A. En déduire que A est diagonalisable.
5. Proposer une base de vecteurs propres de A.
6. On note A′ la matrice semblable à A. Donner cette matrice.
7. On sait que A′ = P−1 AP. Calculer An .
8. Soient (Un )nǫN , (Vn )nǫN , et (Wn )nǫN troissuites réelles définies sous forme récurrente
 Un+1 = 4Wn

pour tout nǫN, par le système suivant : Vn+1 = Un + 2Vn + Wn


Wn+1 = 2Un + 4Vn − 2Wn
-Écrire le système sous forme matricielle.
-En déduire les expressions de Un , Vn et Wn en fonction de n, U0 , V0 et W0 .
 Examen de finances internationales Durée 3h- Documents manuscrits autorisés

Exercice 1 (14 points)

Considérons une petite économie ouverte, avec un seul bien et un agent représentatif qui
vit pendant deux périodes. Dans cette économie, il y a un gouvernement qui a un budget
équilibré. Il n’y a pas de production et l’agent reçoit une dotation en biens, Yt à chaque
période (Y1 à la première période et Y2 à la deuxième période). L’agent représentatif choisi
le niveau de sa consommation pour chaque période de manière à maximiser son utilité,
représenté par
√ √
U (C1 , C2 ) = C1 + β C2 ,

où Ct représente la consommation de l’agent à la période t, βǫ(0, 1). La différence entre sa

consommation et sa dotation représente une épargne ou une dette dans la première période,
qui sera remboursée ou payée au cours de la deuxième période, selon le cas. Par conséquent,
l’agent représentatif doit satisfaire sa contrainte budgétaire intertemporelle. Les actifs ou les
dettes de cette économie sont rémunérés au taux d’intérêt réel r, que nous supposons être
constante dans le temps et est égal au taux intérêt international. De plus, supposons que
β = (1/1 + r ).
1. Sur la base des identités de la comptabilité nationale, écrire la contrainte budgétaire
intertemporelle de cet agent et donner une interprétation.
2. Calculer les quantités consommées C1 , C2 , et le niveau du compte courant de chaque
période CA1 et CA2 . Dans quelle situation l’agent représentatif va faire des emprunts ?
3. Supposons que Y1 = Y2 . Donner l’expression du compte courant de chaque période ?
Comparer à celle trouver en équilibre d’autarcie ? Interpréter vos résultats.
4. Supposons maintenant que l’agent représentatif de cette économie est devenu plus
patient, et il donne plus de valeur à sa consommation future, de sorte que β′ = 2β est
le nouveau taux d’actualisation intertemporel. Calculer à nouveau C1 , C2 et CA1 , CA2 .
6. Supposons qu’il y ait eu une augmentation exogène des taux d’intérêt international, de
sorte que r ′ = 2r, , où r ′ est la nouvelle valeur du taux d’intérêt international et le taux
le taux d’actualisation revient à sa valeur initiale. Comment ce changement affecte-il le
niveau de compte courant de la première période de cette économie.
Exercice 2 (6 points)
Considérons un modèle intertemporel de deux périodes, où l’agent représentatif a comme
fonction d’utilité
C11−σ C 1− σ
U (C1 , C2 ) = 1− σ + β 12−σ
où Ct sa niveau de consommation à la date t, σ > 0, βǫ(0, 1) le taux d’actualisation intertem-
porelle. L’agent reçoit une dotation en biens, Yt à chaque période (Y1 à la première période
et Y2 à la deuxième période . Les actifs ou les dettes de cette économie sont rémunérés au
taux d’intérêt réel r.
1 Écrire la condition du première ordre du problème de consommateur.
2 Donner maintenant l’équation d’Euler et donner une interprétation économique.