Académique Documents
Professionnel Documents
Culture Documents
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
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
= ( 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.
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.
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.
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
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 .
1. linéaire ou non
puis, en cliquant sur l’option Estimate equation une nouvelle fenêtre apparait
en écrivant
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
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
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
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].
MA(1) : yt = µ + φ0 ξ t + φ1 ξ t−1
y t = β 0 + β 1 y t −1 + β 2 y t −2 + · · · + β p y t − p + ξ t (14)
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
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
..
.
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.
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 ( 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 yt+1 = β 0 + β 1 yt + β 2 yt−1 + φ1 ξ t
Celle de la seconde période est
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
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.
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
infl1 ar(1 to 2)
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
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
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 16: Résultat des tests de stationnarité pour la série en difference première
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.
∞
Yt = β + ∑ Ψ j ǫt− j (37)
j =0
AXt = C + BXt−1 + ǫt
X1,t
si Xt = . On a alors
X2,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)
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.
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.
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.
- 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)
Modèle VAR
Maintenant que les variables sont stationnaires on peut procéder à la modélisation VAR.
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.
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
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.
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
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.
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
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.
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
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.
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 :
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)
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.
Tests aux bornes Une fois la spécification du modèle achevée, faire le test aux bornes ou
bounds test.
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
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 :
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 :
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 )
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.
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)
−→ 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
−→ 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
−→ 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.
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
’ 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 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.
−→ ré-estimer le modèle ARDL(1,0,1), extraire la série estimée puis générer un objet Model.
−→ Faire une prévision en sous échantillon entre 2011 - 2016 à partir du modèle généré.
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
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
−→ 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})
delete(noerr) g2
group g2
!num_simul=100000
{%modname}.solveopt(s=b,d=d)
{%modname}.solve
%first_elem_fsmpl=@wleft(%fsmpl,1)
%second_elem_fsmpl=@wright(%fsmpl,1)
’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)
−→ 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 :
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 0.8 0.2 y t −1 e1t
= +
zt 0.2 0.8 z t −1 e2t
eyt 1 0 0 ǫy t
emt = c21 1 c23 ǫmt
eπt 0 0 1 ǫπ t
(
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)
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
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.
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 )