Séminaire Ecomath Version Finale-1

1
Test de causalité et analyse des effets de la masse monétaire et de l’inflation sur la croissance
économique : Cas de la RDC de 1985 à 2020
UNIVERSITE DE KINSHASA
FACULTE DES SCIENCES ECONOMIQUES ET DE GESTION
B.P.832 Kinshasa XI
ARTICLE
TEST DE CAUSALITE ET ANALYSE DES EFFETS DE

LA MASSE MONETAIRE ET DE L’INFLATION SUR
LA CROISSANCE ECONOMIQUE : CAS DE LA RDC
DE 1985 A 2020
MBADU MBADU Verlain

L2 Economie Mathématique
Professeurs :
KALONJI NTALAJA
KALONDA KANIAMA ISAAC
Chef de travaux: Emery MUNGELE
Verlain MBADU.M
Année académique 2020-2021

2
Verlain MBADU.M
Résumé
Ce papier participe au débat de la causalité et des effets de la masse monétaire et de l’inflation
sur la croissance économique en RDC. Le test de cointegration a révélé une relation de long
terme entre les séries sous-études, et l’impact de l’accroissement de l’inflation dans le long
terme sur la croissance économique a été faiblement positif, soit de 0.012%. Au regard du test
de TY, nous avons trouvé que la causalité entre les deux variables était rétroactive, et donc un
seuil optimal du niveau d’inflation pourrait être profitable à la croissance économique et que
cette dernière était également à l’origine de l’augmentation générale du niveau des prix. Le
même test a renseigné que c’est bel et bien la croissance économique qui explique
l’augmentation de la masse monétaire sachant que celle-ci à court (-0.0026%) comme à long
terme (-0.0119%), transitant par l’inflation, exerce des effets négatifs sur l’activité
économique. Ce résultat satisfait l’assertion classique soulevée au niveau de l’introduction,
mais va plutôt à l’encontre de l’argument de Keynes (1936) pour qui une politique monétaire
expansionniste aurait des effets positifs sur la croissance économique sous l’hypothèse des
rigidités nominales des prix et des salaires. Au regard de leur coefficient de corrélation qui
s’élevait à 98%, le degré de liaison entre la masse monétaire et l’inflation prédisait déjà une
possible causalité. A cet effet, on a observé une boucle rétroactive entre l’inflation et la masse
monétaire. Et donc la vérification empirique a clarifié qu’une politique monétaire
expansionniste était d’abord une source d’inflation en RDC, conformément à l’optique
monétariste bien que son effet sur la production réelle n’est qu’implicite. Ainsi, une politique
monétaire restrictive s’avère efficace pour juguler l’inflation dans le temps.
Mots-clés : Inflation, Croissance, Masse monétaire
Classification JEL : E31, N1, E51
Abstract
This paper contributes to the debate on the causality and effects of money supply and inflation
on economic growth in the DRC. The cointegration test revealed a long-run relationship
between the series under study, and the impact of higher inflation in the long run on economic
growth was weakly positive at 0.012%. With regard to the TY test, we found that the causality
between the two variables was retroactive, and therefore an optimal threshold of the level of
inflation could be beneficial to economic growth and that the latter was also at the origin of
the general increase in the price level. The same test indicated that it is indeed economic
growth which explains the increase in the money supply, knowing that it in the short (-
0.0026%) as in the long term (-0.0119%), passing through the inflation, has negative effects
on economic activity. This result satisfies the classic assertion raised at the introductory level,
but rather goes against the argument of Keynes (1936) that an expansionary monetary policy
would have positive effects on economic growth under the assumption nominal rigidities in
prices and wages. Given their correlation coefficient of 98%, the degree of connection
between the money supply and inflation already predicted a possible causality. To this end, a
3
retroactive loop has been observed between inflation and the money supply. And so the
empirical verification clarified that an expansionary monetary policy was primarily a source of
inflation in the DRC, in accordance with the monetarist perspective although its effect on real
output is only implicit. Thus, a restrictive monetary policy is effective in curbing inflation over
time.
Keywords: Inflation, Growth, Money supply
JEL Classification: E31, N1, E51
4
0. Introduction
Au fil des années, la question relative à la relation entre la masse monétaire, l’inflation et la
croissance économique a fait couler beaucoup d'encres, elle n'est donc pas récente. Plusieurs
auteurs la plupart départagés en écoles de pensée ont animé ce débat houleux. La littérature
renseigne l'existence au départ d'une divergence sur les conclusions entre écoles autour de
cette thématique avant qu'un consensus tarde à se dégager. On note que trois approches
théoriques différentes participent à cette confrontation : Classique ou libérale, Keynésienne
et Monétariste1.
Pour les libéraux, un accroissement de l’offre de monnaie se répercute directement sur le
niveau général des prix étant donné que l’économie est en situation de plein emploi. La
théorie quantitative de la monnaie ou l’équation de Fisher : M.V = P.T avec M pour « Masse
monétaire », V pour « Vitesse de circulation de la monnaie », P pour « niveau des prix » et T
pour « revenu national réel » permet d'illustrer algébriquement ce raisonnement (Waka,
2021). Suivant cette théorie, si la quantité de monnaie (M) augmente plus vite que le montant
des transactions (T) pour une vitesse de circulation de la monnaie constante (V), il devrait y
avoir une augmentation du niveau général des prix (Facchini 2020)2.
Cette théorie quantitative de la monnaie sera défendue dans la seconde moitié du XXème
siècle par le courant de pensée monétariste, dont Milton Friedman était un des principaux
représentants. Selon Friedman: « l’inflation est toujours et partout un phénomène monétaire
en ce sens qu’elle est et qu’elle ne peut être générée que par une augmentation de la quantité
de monnaie plus rapide que celle de la production »3.
Mais comme le souligne la littérature, cette approche ne fait cependant pas l’unanimité chez
les économistes et a été contestée notamment par John Maynard Keynes et ses descendants.
Pour Keynes (1936), une hausse de la quantité de monnaie peut avoir un effet direct sur
l’économie et le volume de production. En effet, si les agents économiques, au départ frappés
par l'illusion nominale, ont plus d’argent en leur possession, ils vont le dépenser ou l’investir,
ce qui entraînera une hausse de la production et une baisse du chômage. Et donc l'hypothèse
des rigidités nominales de prix et des salaires dans ce cas explique l'effet positif de
l'accroissement de la masse monétaire sur la croissance économique.
Mais nuances et hypothèses vont se rajouter avant de trouver par la suite un consensus
partagé. Les monétaristes alternent et estiment qu’à court terme, les agents économiques
étant sous le coup de l’illusion monétaire, la croissance monétaire n’emporte pas l’inflation.
Si une croissance de la masse monétaire pourrait stimuler la production à court terme, à
moyen terme ce ne sera pas le cas, elle ne conduira mécaniquement qu'à une hausse des prix
du fait que les anticipations rationnelles des agents feront en sorte que ces derniers anticipent
l'augmentation d’inflation susceptible d'être provoquée par l’accroissement de la masse
1 https://youmatter.world/fr/definition/inflation-definition-evaluation-et-analyse/
2 . François Facchini. Pourquoi inflation reste faible alors que la masse monétaire augmente?. Journal des libertés, Institut de Recherches
Economiques et fiscales, 2020, pp.5-23. hal-03195332
3 https://www.lafinancepourtous.com/decryptages/politiques-economiques/theories-economiques/theorie-quantitative-de-la-monnaie/
5
monétaire. Les comportements adaptatifs des agents auront pour conséquence la hausse de
l’inflation sans pourtant celle de la production.
Les néoclassiques postulent deux hypothèses fondamentales et concluent que
l’accroissement de la masse monétaire ne peut impacter la production que sous l’hypothèse
de l’effet de surprise et de l’information imparfaite dans le cadre du modèle des îles de Lucas
(Midagu, 2020). Et par contre pour les Keynésiens de tout horizon (notes), l'économie étant
en situation de sous-emploi, l'interventionnisme de l'Etat est un remède pour relancer
l'économie qui se trouve en état de crise, en tournant la planche à billets, l'accroissement de
la masse monétaire a un effet favorable sur la croissance économique sous l'hypothèse des
rigidités nominales des prix et des salaires (Mukundi, 2021).
Bien qu'à la base, on assiste à des courants de pensée qui s'écartent diamétralement sur l’effet
de l'accroissement monétaire au niveau de la croissance économique, la suite du débat a paru
du moins compromettant sur un aspect, les parties ont fini par reconnaitre que l’offre de
monnaie impacte à court, voire très court terme la production sous l'hypothèse des rigidités
nominales des prix (Midagu, 2020). Une croissance monétaire peut-être à la base d'une
augmentation de la croissance économique et celle d’inflation et le schéma inverse est
également envisageable étant donné l'interdépendance des variables macroéconomiques.
A cet effet, ce présent papier soulève des investigations empiriques sur des susceptibles
causalités allant de la politique monétaire vers la croissance économique et vers l’inflation en
RDC. Si causalité il y a entre ces trois variables macroéconomiques, quel serait donc son sens
? Par ailleurs, avant de répondre à cette préoccupation centrale de l’étude, un regard sera
porté sur les effets attendus à court et à long terme de l’inflation et de la politique monétaire
expansionniste sur la croissance économique en RDC au cours de la période 1985-2020.
D'entrée de jeu, signalons que loin de nous est le sentiment prétentieux d'être les premiers à
nous questionner sur ce problème de relation causale entre ces variables. Ce n'est que dans
le souci de participer au débat que cet article vient s'ajouter parmi tant d'autres qui existent
autour du sujet.
1. Revue de littérature
Pour le cas de plusieurs économies, bon nombre des chercheurs ont su se pencher déjà autour
de notre interrogation principale, ou du moins similaire à celle-ci. Ces travaux ont porté sur la
vérification empirique de l'effet aperçu sur une de ces variables suite à une modification de
l'autre, ou encore sur la nature ou sens de causalité existant entre-elles (masse monétaire,
inflation et croissance économique).
Commençons par citer Denbel, Ayen et Regasa (2016) qui ont mené une étude pour examiner
la relation causale existante entre inflation et masse monétaire et entre inflation et croissance
économique en Éthiopie pour la période 1970-2010. Le test de cointégration de Johansen a
indiqué la présence d'une relation de cointegration et le vecteur intégrateur et le VECM ont
démontré l'existence d'une causalité bidirectionnelle à long terme entre l’inflation et la masse
monétaire et d'une causalité unidirectionnelle de la croissance économique à l’inflation. À
court terme, une causalité à sens unique a été trouvée entre la masse monétaire et la
6
croissance économique et l’inflation. Par conséquent, les principales conclusions de l'étude
sont que l’inflation est un phénomène monétaire en Éthiopie et qu’elle est négativement et
significativement affectée par la croissance économique4.
Ensuite Khairul (2015) pour le cas de Bangladesh. Celui-ci a conduit la même étude pour une
période allant de 1974 à 2012. Les résultats trouvés après estimation du Modèle vectoriel à
Correction d'Erreur (VCEM) basé sur VAR indiquent l'existence d'une causalité bidirectionnelle
à long terme entre la masse monétaire et la croissance et d'une causalité unidirectionnelle
entre le niveau des prix et la masse monétaire. Cependant à court terme, il a retrouvé une
causalité bidirectionnelle entre la masse monétaire et le niveau des prix, et une causalité
unidirectionnelle entre la production et le niveau des prix. Les résultats suggèrent que la
masse monétaire est responsable de l'augmentation du niveau des prix et que l’inflation est
donc une expérience monétaire à court terme.5
Quant à Gaspar (2014) pour le compte de l'économie américaine, a conduit une étude portant
sur la politique monétaire aux États-Unis entre 1990 et 2013. Les résultats empiriques obtenus
après estimation par l'approche VAR et VECM renseignent que durant cette période, il a été
observé une relation positive à long terme entre le Produit Intérieur Brut réel et la masse
monétaire et également entre la masse monétaire et le niveau de prix6.
Procédant par l'approche VAR également, Amiri (2021) a étudié la dynamique économique et
la croissance de la masse monétaire de l'économie tunisienne entre 1995 à 2018, ce, en
considérant les Investissements Directs Étrangers (IDE) comme variable de contrôle. Le
développement empirique a révélé que l’inflation tunisienne a un impact négatif sur la
croissance de la masse monétaire. Ainsi, un accroissement à la hausse de la masse monétaire
influe directement le niveau des prix, c’est-à-dire, lorsque la quantité de monnaie augmente,
l’inflation augmente également. Et les tests de causalité ont montré que la croissance de la
masse monétaire ne cause pas une croissance économique tant que le niveau de
l’investissement est faible7.
Et Bourioune (2018) pour sa part a étudié les conséquences probables, sur l’inflation et la
croissance économique, suite à l’annonce par le gouvernement algérien le 17/09/2017 de
recourir à la « planche à billets » pour lutter contre le tarissement des ressources du trésor
public. Cette étude a été menée à travers le modèle dynamique VAR/VECM afin de saisir
l'impact de la croissance de la masse monétaire sur l'Indice de Prix à la Consommation (IPC)
et sur le PIB. Après avoir adopté une politique monétaire expansionniste en 2018, les résultats
ont montré que l’impact du choc monétaire, dans le cas algérien, est appréciable plutôt sur
l’IPC que sur le PIB. Ce qui conforte l’assertion keynésienne. En outre, les équations de
cointégration de long terme affirment qu’il existe une corrélation positive entre la croissance
économique et la masse monétaire : un accroissement de la production de 1% engendrerait
4 The Relationship between Inflation, Money Supply and Economic Growth in Ethiopia: Co integration and Causality Analysis Fitsum
Sharew Denbel* , Yilkal Wassie Ayen** and Teshome Adugna Regasa (PhD)***
5 Causal Links between Money, Price, and Output in Bangladesh: A Cointegration and VECM Approach. Khairul Islam
6 Monetary policy in the US: a VAR and VECM approach José M . Gaspar Universidade Católica Portuguesa
7 AMIRI K. (2021) «La dynamique économique et la croissance de la masse monétaire: cas de la Tunisie, Modélisation par VAR», Revue
Française d’Economie et de Gestion « Volume 2 : numéro 2 » pp : 13-29.

7
un accroissement de la masse monétaire de 2.15%. Ce qui va de pair avec la Théorie
quantitative de la monnaie développée par Fischer8.
On peut clore cette partie réservée à la littérature empirique en citant le travail de
Rakotoarisoa (2019). Pour le compte de l'économie malgache durant la période 1960 à 2019,
les tests de causalité ont montré qu’une politique monétaire expansionniste ne cause pas une
croissance économique au Madagascar. Par contre, elle génère une inflation moyenne de 2 à
3%. La hausse de la masse monétaire n’aurait donc aucun effet sur l’investissement et la
production réelle. Pourtant, malgré le faible accès aux services bancaires, le niveau général
des prix est très sensible à la variation de la masse monétaire. Ainsi, une modification de la
masse monétaire affecte directement le niveau des prix, et lorsque la quantité de
monnaie augmente, c’est l’inflation qui bénéficie d’un accroissement à cause de l’élasticité
du prix9.
Après avoir élucidé ces travaux abordés pour le cas des différentes économies d’Afrique et
d’ailleurs, nous allons par la suite tenter de vérifier cette relation causale dans le contexte de
l'économie congolaise. Toutefois comme nous l’avons souligné ci-haut, nous portons avant
tout un regard sur la dynamique de l’économie congolaise au travers les effets encaissés
provenant de la politique monétaire et de niveau général des prix. La modélisation par
l’approche moderne des séries temporelles pour obtenir les différentes élasticités ou effets et
le test de causalité résument donc la suite de ce papier.
III. Démarche économétrique

III.1 Spécification du modèle
La saisie des impacts de l’inflation et de la croissance monétaire sur les performances
macroéconomiques seront saisis à travers l’estimation d’un Modèle Autorégressif à Retards
Distribués, en abrégé ARDL (Auto Regressive Distributed Lag model). Cette spécification fait
partie de la grande famille des modèles dynamiques, et permet de capter les effets temporels
dans l’explication d’une variable10. Pour faire simple, nous nous inspirons du travail de Kibala
(2018) pour présenter la forme fonctionnelle du modèle ARDL.
Dans un modèle dynamique, l’explication d’une variable dépendante Yt peut être expliquée à
la fois par ses propres valeurs décalées mais également par les valeurs présentes et décalées
des variables indépendantes. Dans ce cas, il y a donc une mixité des modèles, d’une part des
modèles Autorégressif (AR), et d’autre part des Modèles à retards échelonnés (DL). Les deux
types des modèles (dynamiques) combinés permettent d’obtenir ainsi les modèles
Autorégressif à Retards Echelonnés (ARDL).
 Le modèle Autorégressif s’écrit formellement comme suit:

Yt = α0 + α1 Yt-1 + ………. + αp Yt- p + 𝜀t ou
Yt = 𝑎0 + ∑𝑃𝑖=1 𝑎𝑖 𝑌𝑡− 𝑖 + 𝜀𝑡 (1)
Avec 𝜀𝑡~ iid (0, 𝛿) terme d’erreur, indépendamment et identiquement distribué
8 IMPACT D’UNE POLITIQUE MONÉTAIRE EXPANSIONNISTE SUR L’INFLATION EN ALGÉRIE Tahar BOURIOUNE* Université de Sétif (2018)
9
Politique monétaire et Croissance économique à Madagascar Anjara Lalaina Jocelyn Rakotoarisoa (2019)
10Jonas Kibala (2018), Modélisation ARDL, Test de cointegration aux bornes et Approche de Toda-Yamamoto : éléments de
théorie et pratiques sur logiciels, Université de Kinshasa
8
 Les modèles à retards échelonnés sont de la forme suivante:
Yt = ß + b0 Xt + .......... + bq Xt- q + Zt ou
Yt = ß + ∑𝑞𝑗=0 𝑏𝑗 𝑋𝑡−𝑗 + Zt (2)
La combinaison des caractéristiques de ces deux types des modèles forme les modèles
Autorégressifs à Retards Echelonnés (ARDL). Ci-dessous l’équation (3) reprend formellement
l’expression algébrique d’un modèle ARDL :
Yt = Ψ + α1 Yt-1 +………. + αp Yt-p + b0 Xt + ………. + bq Xt-q + et ou
Yt = Ψ + ∑𝑃𝑖=1 𝑎𝑖 𝑌𝑡−𝑖 + ∑𝑞𝑗=0 𝑏𝑗 𝑋𝑡−𝑗 + et (3)
Le coefficient b0 traduit l’effet à court terme de Xt sur Yt. Pour saisir l’effet de long terme noté
𝜆 de Xt sur Yt, nous partons de la relation d’équilibre ou de long terme suivante :
Yt = k + 𝜆 Xt + u et on aura :
𝜆 = 𝛴 bj / (1 - 𝛴 αi )
On note que les modèles ARDL héritant les caractéristiques des modèles AR et DL, font face à
des problèmes de colinéarité entre variables explicatives (modèle DL) et d’autocorrélation des
erreurs (AR), rendant ainsi difficile son estimation par la méthode de Moindres Carrés
Ordinaires (MCO). Pour lever cette contrainte, l’on recourt souvent à des techniques
d’estimation robustes11.
En adaptant ce modèle (ARDL) dans le contexte de notre étude, il s’agit des effets de la
croissance de la masse monétaire et de l’inflation que feront l’objet des estimations. Par
ailleurs, dans le souci d’améliorer la qualité de nos résultats, quelques variables de contrôle
seront ajoutées dans le modèle, lesquelles variables restent usuellement utilisées dans les
études empiriques mettant en relation la croissance économique (Txcr), l’inflation (Txinf) et
la masse monétaire (Mm). Parmi ces variables, nous avons considéré : la formation brute du
capital fixe (Fbcf), le taux d’accroissement de la population (Tcp) et les Investissements Directs
Etrangers (Ide). De ce fait, Le modèle ARDL à estimer aurait la forme fonctionnelle linéaire
suivante :
Txcr = f (Txinf, Mm, Fbcf, Tcp, Ide) (4)
La saisie des effets de court et de long terme de ces variables exogènes sur l’endogène Txcr
nécessite la modification de l’équation (4) sous cette nouvelle forme :
𝛥Txcrt = 𝑎0 + ∑𝑃𝑖=1 𝑎1𝑖 𝛥Txcrt-i + ∑𝑞𝑖=0 𝑎2𝑖 𝛥Txinft-i + ∑𝑞𝑖=0 𝑎3𝑖 𝛥Mmt-i + ∑𝑞𝑖=0 𝑎4𝑖 𝛥Fbcft-i +
∑𝑞𝑖=0 𝑎5𝑖 𝛥Tcpt-i + ∑𝑞𝑖=0 𝑎6𝑖 𝛥Idet-i + b1Txcrt-1 + b2Txinft-1 + b3Mmt-1 + b4Fbcft-1 + b5Tcpt-
1 + b6Idet-1 + et (5) où :
𝛥 est l’opérateur de différence première ; 𝑎0 est la constante ; 𝑎1 … . . 𝑎6 sont des effets à
court terme ; b1……..b6 la dynamique de long terme du modèle ; e ~ iid (0, 𝛿) terme d’erreur
11
K. Kanyama (2021), Notes de cours d’Econométrie, Université de Kinshasa, Faseg
9
(bruit blanc). Etant donné qu’il s’agit d’un modèle dynamique, par critère de parcimonie, nous
allons recourir au critère de Shwarz-SIC pour déterminer les décalages optimaux (p, q) du
modèle ARDL. L’écriture (5) suppose l’existence d’une relation de cointegration entre les
séries sous-études, laquelle relation conditionnerait même l’estimation des effets de court
terme et ceux de long terme. De ce fait, obligés seront-nous de vérifier cette cointegration à
l’aide d’un des tests de cointegration que la littérature économétrique nous propose.
Tel que repris par Kibala (2018), le test de Cointegration de Engle et Granger (1991) n’est
valable que pour deux variables intégrées de même ordre, et s’avère inefficace pour des cas
multivariés. Le test de Johansen (1991) quant à ce, lève une de ces deux contraintes, il est
adapté aux cas multivariés mais exige néanmoins que les variables comportent le même ordre
d’intégration, ce qui n’est pas récurrent. Pesaran et al. (2001) proposent un autre test, mais à
la différence de tous les autres, ce test est adapté aux cas aussi multivariés qu’en présence
d’ordres d’intégration différents entre variables12. Ce test est appelé : « test de cointegration
aux bornes ».
L’on peut recourir à un Modèle à Correction d’Erreur grâce à la procédure de Pesaran (2001)
pour confirmer l’existence ou non d’une cointegration entre les variables. A cet effet, la
spécification fonctionnelle de ce modèle dans la présente étude revêtira la forme ci-dessus :
𝛥Txcrt = α0 + ∑𝑃𝑖=1 𝛼 1𝑖 𝛥Txcrt-i + ∑𝑞𝑖=0 𝑎2𝑖 𝛥Txinft-i + ∑𝑞𝑖=0 𝑎3𝑖 𝛥Mmt-i + ∑𝑞𝑖=0 𝑎4𝑖 𝛥Fbcft-i +
∑𝑞𝑖=0 𝑎5𝑖 𝛥Tcpt-i + ∑𝑞𝑖=0 𝑎6𝑖 𝛥Idet-i + ϴut-1 + et (6)
III.2 Source des données

Les données utilisées dans la présente étude sont des séries temporelles annuelles. Elles
proviennent des bases de données ou rapports annuels de la Banque Mondiale (WDI) et de la
Banque Centrale du Congo. Ces séries couvrent la période 1985 à 2020.
Tableau 1: Variables utilisées
Variables Descriptions Effets attendus

Txcr Taux de croissance
économique
Txinf Taux d’inflation -
Mm Masse monétaire (en
pourcentage annuel) -
Fbcf Formation brute du capital
fixe/Investissements (en
pourcentage du PIB) +
Tcp Taux de croissance de la
population (pour saisir le
niveau de la main +
d’œuvre)
12
Kibala (2018), Modélisation ARDL, Test de cointégration aux bornes et Approche de Toda-Yamamoto : éléments de théorie et pratiques
sur logiciels, Université de Kinshasa
10
Ide Investissements Directs +
Etrangers (en pourcentage
du PIB)
Source : L’auteur, à l’aide du logiciel Eviews 10
III.3 Analyse exploratoire des données

Les enseignements que nous pouvons tirer de ce tableau sont tels qu’au regard de l’écart-
type, la masse monétaire et le taux d’inflation sont respectivement plus volatiles comparés à
d’autres variables. Suivi de la formation brute du capital fixe, puis de la croissance
économique. Cette dernière a sillonné autour de la moyenne de 1.33 %, une moyenne
largement expliquée par sa très faible volatilité (5.74) enregistrée au cours de ces années. Les
variables IDE et taux d’accroissement démographique ont quant à elles enregistré au cours de
cet intervalle de temps une très faible volatilité et leurs moyennes d’accroissement sont
respectivement de 2.49% et de 3.09%.
Par ailleurs, de toutes les trois variables d’intérêt, seule la croissance économique reste
normalement distribuée (Prob. Jarque-berra >5%), les séries d’inflation et de la masse
monétaire n’ont pas évolué suivant une distribution normale. Et de ce qui est des variables de
contrôle, notamment la Fbcf, le Tcp et les IDE, seules les deux premières restent normalement
distribuées au cours du temps.
Tableau 2 : Statistiques descriptives
TXCR TXINF MM FBCF TCP IDE
Moyenne 1.333333 666.3422 576.9222 14.45898 3.092878 2.488083
Médiane 2.750000 27.05000 54.80000 13.88790 3.202950 1.439000
Maximum 9.500000 9796.900 7743.100 36.76440 3.892600 12.71600
Minimum -13.50000 0.850000 10.50000 1.763000 2.306900 -1.304000
Ecart-type 5.743916 1890.079 1527.981 8.343908 0.365276 3.427998
Skewness -0.793058 3.677146 3.516136 0.574711 -0.370350 1.487181
Kurtosis 2.825586 16.84886 15.40829 2.866055 2.812852 4.540909
Jarque-Bera 3.819276 368.8148 305.1279 2.008665 0.875492 16.83184

Probabilité 0.148134 0.000000 0.000000 0.366289 0.645490 0.000221
Somme 48.00000 23988.32 20769.20 520.5234 111.3436 89.57100

Sum Sq. Dev. 1154.740 1.25E+08 81715436 2436.728 4.669935 411.2910
Observations 36 36 36 36 36 36
Les graphiques ci-dessous en dit plus sur l’évolution tendancielle de ces différentes variables
macroéconomiques :
11
TXCR TXINF
10 10,000
5 8,000
0 6,000
-5 4,000
-10 2,000
-15
0
1985 1990 1995 2000 2005 2010 2015 2020
1985 1990 1995 2000 2005 2010 2015 2020
MM FBCF
8,000 40
7,000 35
6,000 30
5,000 25
4,000 20
3,000 15
2,000 10
1,000 5
0 0
1985 1990 1995 2000 2005 2010 2015 2020 1985 1990 1995 2000 2005 2010 2015 2020
TCP IDE
4.0 14
12
3.6
10
8
3.2
6
2.8 4
2
2.4
0
2.0 -2
1985 1990 1995 2000 2005 2010 2015 2020 1985 1990 1995 2000 2005 2010 2015 2020
L’analyse graphique révèle une certaine stabilité autour de la moyenne pour la variable taux
d’accroissement de la population au cours de ces années en RDC après avoir observé un pic
important entre 1990 et 1993. Toutefois l’année 1993 montre le début d’une tendance
haussière de la croissance économique en RDC, une tendance expliquée en partie par la
montée des recettes dues aux activités d’extraction minière occasionnée par la hausse des
cours des matières premières sur le marché international.
Par ailleurs, la période 2008-2009 affiche un creux concernant la croissance économique avant
de se relancer vers fin 2010. La croissance positive observée au cours des années 2010-2016
reste fortement attribuée à la tendance haussière des cours des matières premières sur le
marché international, avant de connaitre une stagnation jusqu’à ce Jour.
Les deux autres variables d’intérêt13 quant à elles, n’affichent une tendance claire, cela peut
s’expliquer par la forte volatilité qu’elles ont affiché durant cette période d’étude. Egalement,
ces deux variables ont des effets négatifs sur la croissance économique, on peut facilement
observer que c’est durant les périodes où elles étaient aux niveaux les plus bas que l’économie
13
Croissance de la masse monétaire et le taux d’inflation
12
a plutôt enregistré des performances louables, et vice-versa. Quant aux investissements privés
(Fbcf), ceux derniers restent affectés par une tendance relativement à la hausse, bien qu’elle
ne serait pas saine depuis 1985 jusqu’à ces jours. Les Investissements Directs Etrangers
également ont affiché une évolution progressivement haussière depuis 1985 avant de
connaitre son plus bas niveau en 2008-2009 à cause de la crise financière américaine qui s’est
répandue ensuite dans le monde entier. Le graphique laisse prévoir que les flux d’IDE vont
progresser jusqu’à franchir son plus haut niveau enregistré en 2010. Ci-dessous, jetons un œil
sur le degré de liaison linéaire entre ces variables sous-étude :
Tableau 3 : Matrice de corrélation
TXCR TXINF MM FBCF TCP IDE

TXCR 1
TXINF -0.53 1
MM -0.55 0.98 1
FBCF 0.54 -0.33 -0.33 1
TCP 0.01 0.31 0.33 0.18 1
IDE 0.61 -0.25 -0.26 0.38 0.31 1
Il ressort de ce tableau que le taux de croissance économique est plus corrélée avec le niveau
d’IDE, laquelle relation reste positive autour de 61%. En effet, la croissance économique est
en relation inverse avec le taux d’inflation (-0.53) et celui de l’accroissement de la masse
monétaire ( -55%). Cependant, le taux d’accroissement de la masse monétaire affiche une
corrélation positive presque parfaite (98%) avec le niveau d’inflation, ce qui peut nous pousser
à prétendre en avance que le niveau d’inflation en RDC durant cette période reste d’origine
purement monétaire. Ces relations informelles sont amplement vérifiées à travers une
démarche empirique que nous proposons ci-bas.
III.4 Investigations empiriques

III.4.1 Stationnarité des variables
Comme le suggère l’approche économétrique moderne, pour éviter des régressions
fallacieuses, les variables retenues dans cette investigation empirique doivent être toutes
stationnaires. Pour vérifier cette propriété, nous allons nous servir des tests de racine unitaire
de Dickey Fuller Augmenté (ADF) mais également d’Andrews et Zivot (AZ), étant donné que
ce dernier a la particularité de tenir compte du changement de régime probable pouvant
bouleverser l’évolution tendancielle d’une variable. L’hypothèse nulle (Ho) de ces deux tests
est la non-stationnarité, elle est rejetée si P-value < 0.05. Les résultats de ces deux tests sont
présentés dans le tableau ci-dessous :
Tableau 4 : Test de stationnarité
Ordre d’intégration d = 0 d=1 Décision

(d)
Variables ADF AZ ADF AZ ADF AZ
Txcr 0.5255 0.3889 0.0054 0.01 I(1) I(1)
13
Txinf 0.2652 0.01 0.0075 I(1) I(0)
Mm 0.000 0.01 I(0) I(0)
Fbcf 0.0078 0.01 I(0) I(0)
Tcp 0.0003 0.01 I(0) I(0)
Ide 0.0022 0.01 I(0) I(0)
Au regard de ces résultats, les deux tests convergent en grande partie au même résultat,
toutes les variables sont stationnaires à niveau, à l’exception de taux de croissance
économique, lequel devient stationnaire après une différence I(1) pour les deux tests
conduits. La divergence de ces deux tests est observée au niveau où le taux d’inflation serait
stationnaire à niveau d’après le test d’AZ, et devient plutôt stationnaire après une intégration
pour le cas du test d’ADF. Au regard de cette divergence, notre intérêt est porté au test d’AZ
car celui-ci permet en outre de saisir l’effet de la rupture d’un régime comme souligné ci-haut.
Les séries sont ainsi intégrées à des ordres différents, ce qui rend inefficace le test de
cointegration de Engle et Granger (cas multivarié) et celui de Johansen, et rend opportun le
test de cointegration aux bornes proposé par Pesaran et al. (Kibala, 2018).
III.4.2 Test de cointegration de Pesaran et al (2001)
Etant donné que les séries sont intégrées à des ordres différents, le test de cointegration est
approprié pour vérifier une existence de relation de long terme entre les séries sous-étude.
Ce test s’effectue principalement en deux étapes :
 Détermination du décalage optimal et estimation du modèle ARDL;
 Recours au test de Fisher pour tester la cointegration entre séries sous-études.
III.4.2.1 Décalage optimal et estimation du modèle ARDL

Tableau 5 : Modèle ARDL (1, 3, 1, 0, 3, 3)
Variable dépendante: Txcr
Variables Coefficient Ecart-type t-Statistic Prob.*
TXCR(-1) 0.528090 0.104750 5.041450 0.0001

TXINF 0.001354 0.000732 1.849581 0.0829
TXINF(-1) 0.005238 0.001012 5.177443 0.0001
TXINF(-2) -1.24E-05 0.000179 -0.069172 0.9457
TXINF(-3) -0.000831 0.000189 -4.406561 0.0004
MM -0.002586 0.000907 -2.852839 0.0115
MM(-1) -0.006821 0.001307 -5.219128 0.0001
FBCF -0.132431 0.044486 -2.976898 0.0089
TCP -20.67331 4.723084 -4.377078 0.0005
TCP(-1) 10.95515 9.979718 1.097742 0.2886
TCP(-2) 19.22819 9.173194 2.096129 0.0523
TCP(-3) -14.63708 3.595850 -4.070548 0.0009
IDE 0.378163 0.077011 4.910519 0.0002
IDE(-1) 0.061525 0.086108 0.714507 0.4852
IDE(-2) 0.091747 0.079648 1.151910 0.2663
IDE(-3) 0.257800 0.087218 2.955798 0.0093
14
C 18.18699 4.216539 4.313252 0.0005
R-squared 0.961544 F-statistic 25.00396
Prob(F-
Adjusted R-squared 0.923089 statistic) 0.000000
Durbin-
Watson stat 1.944636
Akaike Information Criteria (top 20 models)
4.30
4.28
4.26
4.24
4.22
4.20
4.18
4.16
4.14
ARDL(1, 3, 1, 0, 3, 3)
ARDL(1, 1, 3, 0, 3, 3)
ARDL(1, 3, 1, 1, 3, 3)
ARDL(1, 3, 2, 0, 3, 3)
ARDL(1, 1, 3, 1, 3, 3)
ARDL(1, 2, 3, 0, 3, 3)
ARDL(1, 3, 3, 0, 3, 3)
ARDL(1, 3, 1, 0, 3, 0)
ARDL(1, 1, 3, 0, 3, 0)
ARDL(1, 3, 3, 0, 1, 0)
ARDL(1, 3, 1, 2, 3, 3)
ARDL(1, 3, 2, 1, 3, 3)
ARDL(1, 3, 3, 0, 1, 3)
ARDL(1, 2, 3, 1, 3, 3)
ARDL(1, 3, 1, 0, 3, 1)
ARDL(1, 1, 3, 2, 3, 3)
ARDL(1, 3, 1, 1, 3, 0)
ARDL(1, 3, 3, 1, 3, 3)
ARDL(1, 3, 3, 0, 3, 0)
ARDL(1, 1, 3, 1, 3, 0)
On observe donc que le modèle ARDL (1, 3, 1, 0, 3,3) est le plus optimal parmi les 19 autres
présentés, car il offre la plus petite valeur du SIC. L’ajustement du modèle ARDL ainsi estimé
s’avère être de très bonne qualité. Avec un coefficient de détermination de 96%, le pouvoir
explicatif de ce modèle est suffisamment grand pour expliquer la dynamique de la croissance
économique en RDC, de 1985 à 2020. Egalement, la statistique de Durbin-Watson reste au
voisinage de 2; ce qui implique l’absence d’autocorrélation entre les erreurs. Cette hypothèse
reste rigoureusement testée au niveau de l’analyse de robustesse du modèle. Le tableau ci-
dessous présente le résumé de ladite analyse :
Tableau 6: Analyse de la robustesse du modèle
ARDL (1, 3, 1, 0, 3, 3)
Hypothèses du test Tests
Valeurs et probabilités
Autocorrélation Breusch-Godfrey 0.55 (0.65)
Hétéroscédasticité Breusch-Pagan-Godfrey 0.64 (0.81)

Arch-test 0.14 (0.71)
Normalité Jarque-Bera 1.61 (0.44)
Specification Ramsey (Fisher) 1.44 (0.25)

15
Le test de portemanteau conduit à l’acceptation de l’Ho, puisque la probabilité du test est
largement supérieure au seuil de 5%, et donc il y a absence d’autocorrélation des erreurs.
Jusqu’au retard 3, le test de corrélation LM présente une probabilité largement au-dessus du
seuil de signification de 5%, ce qui nous conduit à également à l’acceptation de l’Ho. Au regard
du test de Jarque-Bera, l’hypothèse de normalité des erreurs est vérifiée. Et enfin, le test de
linéarité ou de bonté globale du modèle renseigne que le modèle estimé est globalement bon.
III.4.2.2 Test de cointegration aux bornes
Ce test nous facilite la vérification d’une existence de la relation de cointegration entre les
séries sous-études, c’est-à-dire, il nous permet de vérifier si les variables étudiées
entretiennent des relations à long terme. La statistique du test est celle de Fisher, elle est
comparée aux valeurs critiques, qui forment des bornes (inférieures et supérieures) ;
Si Fisher > borne supérieure: cointegration éxiste
Si Fisher < borne inférieure: cointegration n’éxiste pas
Si borne inférieure < Fisher <borne supérieure: pas de conclusion
Tableau 7: test de cointegration aux bornes
Variables Txcr, Txinf, Mm, Fbcf, Tcp,

Ide
f-statistic calculée 6.89
Seuil critique Borne < Borne >
1% 3.06 4.15
5% 2.39 3.38
10% 2.08 3
Au regard de ce tableau, les résultats du test confirment une relation de cointegration entre
les séries sous-étude du fait que la valeur F-statistique est supérieure à celle de la borne
supérieure. Ce qui donne la possibilité d’estimer les effets de long terme de Txinf, Mm, fbcf,
Tcp et Ide sur Txcr. Mais avant tout d’abord, estimons un Modèle à Correction d’Erreur pour
évaluer les effets de court terme de ces variables.
III.4.2.3 Estimation du modèle à correction d’erreur (MCE) et interprétation des effets de court
terme
Tableau 8 : Modèle à Correction d’erreur
Variables exogènes Coefficient t-Statistic Prob.
D(TXINF) 0.001354 2.912641 0.0102

D(TXINF(-1)) 0.000843 3.802619 0.0016
D(TXINF(-2)) 0.000831 4.409537 0.0004
D(MM) -0.002586 -4.248907 0.0006
D(TCP) -20.67331 -4.708681 0.0002
D(TCP(-1)) -4.591114 -0.913253 0.3747
D(TCP(-2)) 14.63708 3.890722 0.0013
16
D(IDE) 0.378163 4.413514 0.0004
D(IDE(-1)) -0.349547 -2.874118 0.0110
D(IDE(-2)) -0.257800 -2.761156 0.0139
u(-1)* -0.471910 -8.144321 0.0000
De ce tableau ci-dessus, nous pouvons lire que la force de rappel est comprise en valeur
absolue entre 0 et 1 et est statistiquement significative, ce qui garantit un mécanisme de
correction d’erreur, et donc l’existence d’une relation de long terme entre les variables. Alors
que le modèle ARDL a permis d’évaluer les effets dynamiques à travers le temps, des exogènes
sur l’endogène, le MCE permet plutôt de visualiser les effets à court terme des exogènes sur
l’endogène14. A cet effet, la lecture du tableau ci-haut suggère d’une part qu’à court terme
l’inflation de la période courante a un impact positif sur la croissance économique, soit un
accroissement de 1% du taux d’inflation accélère la croissance économique de 0.001354 %,
une accélération qui du moins reste non proportionnelle. Egalement, la croissance
économique courante reste impactée positivement par les niveaux d’inflation enregistrés au
cours de deux précédentes périodes, mais très faiblement au regard des élasticités ou
coefficients estimés. Décalée d’une année, la variation de l’inflation de 1% améliore la
croissance économique de 0.000843 %, et décalée de deux périodes, l’amélioration est de
0.000831%. Quant à la croissance de la masse monétaire, le résultat suggère que cette
dernière constitue un frein pour la croissance économique, son impact négatif est significatif.
La croissance économique ralentit de 0.002586 % suite à un accroissement de la masse
monétaire de 1 %. Même impact au niveau de cet indicateur reste observé en cas
d’accroissement du volume démographique. Lorsque la population croît de 1 % à la période
courante, on observe une décroissance plus que proportionnelle de la croissance économique,
soit de l’ordre de 20.67%. Seule la croissance démographique enregistrée au cours de la
période décalée doublement engendre une croissance économique positive, soit de 14.64 %.
Par ailleurs, l’accroissement de 1 % des flux d’Ide impacte positivement et moins que
proportionnellement la croissance économique, ceci à l’ordre de 0.38 %.
III.4.2.4 Estimation des effets de long terme
Le tableau ci-dessous présente les élasticités ou les effets de long terme estimés. Comme à
court terme, l’inflation à long terme accompagne la croissance économique, soit un
accroissement de 1 % du taux d’inflation améliore la croissance économique de 0.012181 %.
Cependant, la masse monétaire, comme à court terme, continue d’exercer son effet négatif
sur la croissance économique dans le long terme. La croissance économique tend à décroitre
de 0.02 % lorsque les autorités monétaires décident d’augmenter la masse monétaire de 1%.
Pour nos variables de contrôle, à long terme, une seule d’entre elles agit positivement sur la
croissance économique, à l’égard des Ide, pour lesquels une variation de 1 % impacte à la
hausse la croissance économique autour de 1.67 %, soit une augmentation plus que
proportionnelle de cette dernière. Respectivement, une variation de 1 % des Investissements
(Fbcf) et de la croissance démographique diminue l’activité économique de 0.28% et de 10.86
14
Kadima (2020), Dépenses publiques et Croissance économique en RD : Loi de Wagner versus Multiplicateur
de Keynes, Université de Kinshasa
17
%, ce qui laisse opportun aux décideurs de multiplier les politiques pouvant se solder au
maintien du volume démographique pour espérer une croissance durable et soutenable.
Tableau 9 : Effets de long terme

Variable dépendante : Txcr
Variables Coefficient t-Statistic Prob.
TXINF 0.012181 2.599650 0.0194

MM -0.019935 -3.367214 0.0039
FBCF -0.280627 -2.439060 0.0268
TCP -10.86444 -2.256039 0.0384
IDE 1.672426 4.035201 0.0010
C 38.53910 2.613704 0.0188
III.4.2.5 Test de causalité au sens de Toda et Yamamoto (TY)

Le test de cointegration aux bornes et l’estimation du Modèle à Correction d’Erreur nous ont
permis de saisir les impacts de nos variables sous-études sur la croissance économique, par
contre n’ont pas répondu sur la question de sens de causalité entre ces variables. Pour
apporter des éléments de réponse à cette préoccupation centrale de notre étude, nous
procédons par le test de causalité au sens de Toda et Yamamoto basé sur un Vecteur Auto
Régressif (VAR) standard.
L’hypothèse nulle Ho de ce test est celle de la non-causalité. Pour interpréter les résultats
présentés dans le tableau ci-dessous, nous comparons les différentes probabilités au seuil de
10%.
Tableau 10 : Test de causalité
Variables causales ou explicatives/probabilités

Variables Txcr Txinf Mm Fbcf Tcp Ide
dépendantes
Txcr 0.0666 0.1395 0.7766 0.8611 0.5299
Txinf 0.0021 0.0000 0.1574 0.0000 0.3617
Mm 0.0014 0.0002 0.1615 0.0000 0.5230
Fbcf 0.0836 0.6809 0.4055 0.3579 0.6645
Tcp 0.1637 0.0000 0.0000 0.3758 0.6927
Ide 0.9352 0.8823 0.8522 0.7296 0.3307
Il ressort de ce tableau les résultats suivants :
 Des causalités bidirectionnelles entre la croissance économique et le niveau d’inflation,

entre l’inflation et la croissance de la masse monétaire, entre la croissance de la masse
monétaire et la croissance de la population, mais également entre l’inflation et la
croissance de la population. On peut voir que pour exercer ses effets sur la croissance
économique, la croissance de la masse monétaire se répercute d’abord sur le taux
d’inflation ou niveau general des prix, comme l’a suggéré la Théorie Quantitative de la
18
Monnaie classique, ses effets sur l’activité économique ne sont donc qu’implicites. En
outre, la croissance économique et celle de la masse monétaire expliquant l’inflation, cette
dernière s’avère être en RDC un phénomène qui soit à la fois réel et monétaire, confortant
en passant l’argumentation de Friedman
 Des causalités unidirectionnelles d’abord entre la croissance économique et celle de la
masse monétaire, mais également entre la croissance économique et la formation brute
du capital fixe. Par ailleurs, causant la formation brute du capital fixe, la croissance
économique démeure un indicateur déterminant pour l’attractivité des investissements
privés (Fbcf) et non l'inverse. Nous pouvons schématiser comme-suit ces différentes
relations de causalité :
Txinf Mm
Tcp
Txcr Fbcf
III.5 Conclusion
En guise de rappel, le test de cointegration a révélé une relation de long terme entre les séries
sous-études, et l’impact de l’accroissement de l’inflation dans le long terme sur la croissance
économique a été faiblement positif, soit de 0.012%. Au regard du test de TY, nous avons
trouvé que la causalité entre les deux variables était rétroactive, et donc un seuil optimal du
niveau d’inflation pourrait être profitable à la croissance économique et que cette dernière
était également à l’origine de l’augmentation générale du niveau des prix. Le même test a
renseigné que c’est bel et bien la croissance économique qui explique l’augmentation de la
masse monétaire sachant que celle-ci à court (-0.0026%) comme à long terme (-0.0119%),
transitant par l’inflation, exerce des effets négatifs sur l’activité économique. Ce résultat
satisfait l’assertion classique soulevée au niveau de l’introduction, mais va plutôt à l’encontre
de l’argument de Keynes (1936) pour qui une, politique monétaire expansionniste aurait des
effets positifs sur la croissance économique sous l’hypothèse des rigidités nominales des prix
et des salaires. Au regard de leur coefficient de corrélation qui s’élevait à 98%, le degré de
liaison entre la masse monétaire et l’inflation prédisait déjà une possible causalité. A cet effet,
on a observé une boucle rétroactive entre l’inflation et la masse monétaire. Et donc la
vérification empirique a clarifié qu’une politique monétaire expansionniste était d’abord une
source d’inflation en RDC, conformément à l’optique monétariste bien que son effet sur la
production réelle n’est qu’implicite. Cependant, en 2019, les taux de bancarisation et de
pénétration des services financiers mobile n’étaient respectivement que de 6 et 13%, une
situation qui laisse observer que bon nombre d’acteurs économiques et des ménages n’ont
pas accès aux services de crédits. Au regard de cette situation, la hausse d’une masse
19
monétaire n’a donc aucun effet sur l’investissement et la production réelle mais plutôt sur le
niveau général des prix, lequel demeure très sensible à la variation de la masse monétaire à
cause de l’élasticité-prix. Ainsi, une politique monétaire restrictive s’avère efficace pour
juguler l’inflation dans le temps. Toutefois le caractère prépondérant du secteur informel en
RDC empêche aussi les agents concernés à accéder aux crédits bancaires par faute de
formalité. Toutes choses restantes égales par ailleurs, il apparait judicieux pour les autorités
monétaires d’adopter des stratégies qui puissent favoriser l’inclusion financière et
l’accroissement des crédits bancaires intérieurs afin de rendre lucide sa politique monétaire
sur la croissance économique en RDC. Comme nous l’avons suggéré ci-haut, la démographie
doit être contrôlée parce que celle-ci agit très négativement sur la croissance économique à
court terme. L’augmentation du volume démographique ne cesse d’augmenter, suscitant ainsi
une très forte demande de la monnaie qui se solde après au niveau de l’augmentation
générale du niveau des prix, comme le montre la boucle causale « Txinf-Tcp, ou Tcp-Mm ».
Les gouvernants doivent s’armer des bonnes politiques de croissance qui mettent à profit
toutes les ressources naturelles, minières, hydrauliques et humaines que dispose le pays pour
espérer réaliser une croissance soutenable et équitable.
20
III.6 Références bibliographiques
1 AMIRI K. (2021) «La dynamique économique et la croissance de la masse monétaire: cas
de la Tunisie, Modélisation par VAR», Revue Française d’Economie et de Gestion «
Volume 2 : numéro 2 » pp : 13-29.
2. Anjara Lalaina Jocelyn Rakotoarisoa (2019), Politique monétaire et Croissance

économique Madagascar, Madagascar
3. Bourioune (2018), IMPACT D’UNE POLITIQUE MONÉTAIRE EXPANSIONNISTE SUR
L’INFLATION EN ALGÉRIE Tahar, Université de Sétif
4. Denbel, Yilkal Wassie Ayen and Teshome Adugna Regasa (2016), The Relationship
between Inflation, Money Supply and Economic Growth in Ethiopia: Co integration and
Causality Analysis, Ethiopie
5. François Facchini (2020), Pourquoi l’inflation reste faible alors que la masse monétaire
augmente? Journal des libertés, Institut de Recherches Economiques et fiscales, pp.5-23.
6. José M . Gaspar (2014), Monetary policy in the US: a VAR and VECM approach,
Universidade Católica Portuguesa
7. Kadima(2020), Dépenses publiques et croissance économique en RDC: Loi de Wagner
versus Mulltiplicateur de Keynes, Université de Kinshasa
8. Khairul (2015), Causal Links between Money, Price, and Output in Bangladesh: A
Cointegration and VECM Approach, Bangladesh
9. Kalonda (2021), Notes de cours d’Econométrie, Université de Kinshasa, Faseg
10. Kibala (2018), Modélisation ARDL, Test de cointégration aux bornes et Approche de Toda-
Yamamoto : éléments de théorie et pratiques sur logiciels, Université de Kinshasa
11. Mbadu (2018), Approche analytique du financement des PME dans la ville-province de
Kinshasa, Université de Kinshasa
12. Midagu (2020), Processus d’inflation et de Croissance: Evaluation des effets de seuil dans
le cas de la RDC de 1960 à 2019, Université de Kinshasa
13. Mukundi (2021), Notes de cours de Politique Economique, Université de Kinshasa, Faseg
14. Tutonda (2020), Démocratie, Stabilité politique et croissance économique: Une Analyse
empirique en RD Congo, Université de Kinshasa
Webiographie
15. https://youmatter.world/fr/definition/inflation-definition-evaluation-et-analyse/
16. https://www.lafinancepourtous.com/decryptages/politiques-economiques/theories-
economiques/theorie-quantitative-de-la-monnaie/
21
III. 7 Annexes
Base des données

années Txcr Txinf Mm Fbcf Ide Tcp
1985 0.4 26.5 29.3 12.5022 0.962 2.5816
1986 4.7 32.8 59.2 13.1989 0.069 2.6506
1987 2.7 99.5 95.6 14.1634 -0.719 2.7161
1988 0.6 121.5 131.3 14.4287 -0.044 2.861
1989 -1.4 95.8 61.1 14.3027 -0.068 3.0984
1990 -6.6 233.2 186.8 9.0500 -0.155 3.3708
1991 -8.4 3664.9 2234.2 5.5758 0.129 3.6766
1992 -10.5 2989.6 4111.5 6.9001 -0.009 3.8926
1993 -13.5 4651.7 3300.0 1.7630 0.064 3.6356
1994 -3.9 9796.9 7743.1 7.5446 -0.026 3.2345
1995 0.7 370.3 325.0 9.6536 -0.396 2.8001
1996 -1.1 693.0 536.3 27.0957 0.429 2.4716
1997 -5.4 13.7 51.9 2.50000 -0.728 2.3069
1998 -1.7 134.8 157.9 2.10000 0.987 2.3569
1999 -4.3 134.8 363.3 3.0690 0.237 2.5504
2000 -6.9 511.2 504.1 14.4183 0.493 2.7693
2001 -2.1 135.1 228.1 6.6628 1.374 2.936
2002 3.5 15.8 28.1 7.4289 2.149 2.9364
2003 5.8 4.4 31.7 9.4248 4.378 3.0683
2004 6.6 9.0 70.8 12.1421 3.972 3.1455
2005 6.5 21.5 24.7 11.6761 1.504 3.1842
2006 5.6 18.2 57.7 14.5849 1.772 3.2188
2007 6.3 9.9 50.6 13.6124 10.802 3.2614
2008 6.2 27.6 58.2 10.7462 8.726 3.294
2009 2.8 53.4 48.2 14.4931 -1.304 3.3169
2010 7.1 9.8 30.1 28.7219 12.716 3.3311
2011 6.9 15.4 21.5 24.8154 6.177 3.3376
2012 7.2 2.7 20.8 14.2480 9.867 3.3375
2013 8.5 1.07 17.7 21.7392 5.195 3.3314
2014 9.5 1.07 12.6 23.1110 4.176 3.3197
2015 6.9 0.85 10.5 18.3412 3.074 3.3028
2016 2.4 23.6 21.8 36.7644 2.511 3.2829
2017 2.8 46.6 39.9 24.7737 2.756 3.2585
2018 4.1 7.23 28.4 20.7133 3.006 3.2267
2019 4.3 4.6 25.5 25.0580 2.681 3.1871
2020 1.7 10.3 51.7 23.2 2.814 3.0938
22
Test de stattionnarité/ADF
Txcr : En Niveau
Null Hypothesis: TXCR has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic - based on SIC, maxlag=9)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.104439 0.5255

Test critical values: 1% level -4.243644
5% level -3.544284
10% level -3.204699
Txcr : 1ère Différence

Null Hypothesis: D(TXCR) has a unit root
t-Statistic Prob.*

5% level -3.552973
10% level -3.209642
Txinf : En Niveau
Null Hypothesis: TXINF has a unit root
t-Statistic Prob.*

5% level -3.580623
10% level -3.225334
Txinf : 1ère Différence

Null Hypothesis: D(TXINF) has a unit root
Exogenous: None
t-Statistic Prob.*

5% level -1.953858
10% level -1.609571
Mm : En Niveau
Null Hypothesis: MM has a unit root
t-Statistic Prob.*

23
5% level -3.595026
10% level -3.233456
Fbcf : En Niveau
Null Hypothesis: FBCF has a unit root
t-Statistic Prob.*

5% level -3.544284
10% level -3.204699
Ide : En niveau
Null Hypothesis: IDE has a unit root
t-Statistic Prob.*

5% level -3.544284
10% level -3.204699
Tcp : En Niveau
Null Hypothesis: TCP has a unit root
t-Statistic Prob.*

5% level -3.548490
10% level -3.207094
Test de stationnarité/ AZ
Txcr : En niveau
Null Hypothesis: TXCR has a unit root
Trend Specification: Trend and intercept
Break Specification: Trend and intercept
Break Type: Innovational outlier
Break Date: 2012

Break Selection: Minimize Dickey-Fuller t-statistic
Lag Length: 4 (Automatic - based on Schwarz information criterion,
maxlag=9)
t-Statistic Prob.*

24
5% level -5.175710
10% level -4.893950
Txcr : 1ère Différence

Null Hypothesis: D(TXCR) has a unit root
Break Date: 2008

maxlag=9)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -7.316598 < 0.01

5% level -5.175710
10% level -4.893950
Txinf : En Niveau
Null Hypothesis: TXINF has a unit root
Break Date: 2004

maxlag=9)
t-Statistic Prob.*

5% level -5.175710
10% level -4.893950
Mm : En niveau
Null Hypothesis: MM has a unit root
Break Date: 2018

maxlag=9)
t-Statistic Prob.*

5% level -5.175710
10% level -4.893950
25
Estimation du Modèle ARDL

Dependent Variable: TXCR
Method: ARDL
Date: 12/03/21 Time: 15:05
Sample (adjusted): 1988 2020
Included observations: 33 after adjustments
Maximum dependent lags: 1 (Automatic selection)
Model selection method: Akaike info criterion (AIC)
Dynamic regressors (3 lags, automatic): TXINF MM FBCF TCP IDE
Fixed regressors: C
Number of models evalulated: 1024
Selected Model: ARDL(1, 3, 1, 0, 3, 3)
No d.f. adjustment for standard errors & covariance
Variable Coefficient Std. Error t-Statistic Prob.*
TXCR(-1) 0.528090 0.104750 5.041450 0.0001

TXINF 0.001354 0.000732 1.849581 0.0829
TXINF(-1) 0.005238 0.001012 5.177443 0.0001
TXINF(-2) -1.24E-05 0.000179 -0.069172 0.9457
TXINF(-3) -0.000831 0.000189 -4.406561 0.0004
MM -0.002586 0.000907 -2.852839 0.0115
MM(-1) -0.006821 0.001307 -5.219128 0.0001
FBCF -0.132431 0.044486 -2.976898 0.0089
TCP -20.67331 4.723084 -4.377078 0.0005
TCP(-1) 10.95515 9.979718 1.097742 0.2886
TCP(-2) 19.22819 9.173194 2.096129 0.0523
TCP(-3) -14.63708 3.595850 -4.070548 0.0009
IDE 0.378163 0.077011 4.910519 0.0002
IDE(-1) 0.061525 0.086108 0.714507 0.4852
IDE(-2) 0.091747 0.079648 1.151910 0.2663
IDE(-3) 0.257800 0.087218 2.955798 0.0093
C 18.18699 4.216539 4.313252 0.0005
R-squared 0.961544 Mean dependent var 1.218182

Adjusted R-squared 0.923089 S.D. dependent var 5.969268
S.E. of regression 1.655451 Akaike info criterion 4.152408
Sum squared resid 43.84829 Schwarz criterion 4.923336
Log likelihood -51.51474 Hannan-Quinn criter. 4.411802
F-statistic 25.00396 Durbin-Watson stat 1.944636
Prob(F-statistic) 0.000000
Test de Cointegration
ARDL Long Run Form and Bounds Test
Dependent Variable: D(TXCR)
Selected Model: ARDL(1, 3, 1, 0, 3, 3)
Case 2: Restricted Constant and No Trend
Date: 12/04/21 Time: 13:23
Sample: 1985 2020
Included observations: 33
Conditional Error Correction Regression
Variable Coefficient Std. Error t-Statistic Prob.

26
C 18.18699 6.055543 3.003363 0.0084

TXCR(-1)* -0.471910 0.150435 -3.136968 0.0064
TXINF(-1) 0.005748 0.002351 2.445141 0.0264
MM(-1) -0.009408 0.002898 -3.245899 0.0051
FBCF** -0.132431 0.063888 -2.072846 0.0547
TCP(-1) -5.127039 2.219890 -2.309591 0.0346
IDE(-1) 0.789235 0.225700 3.496832 0.0030
D(TXINF) 0.001354 0.001051 1.287883 0.2161
D(TXINF(-1)) 0.000843 0.000385 2.190618 0.0436
D(TXINF(-2)) 0.000831 0.000271 3.068335 0.0074
D(MM) -0.002586 0.001302 -1.986462 0.0644
D(TCP) -20.67331 6.783013 -3.047806 0.0077
D(TCP(-1)) -4.591114 9.154604 -0.501509 0.6228
D(TCP(-2)) 14.63708 5.164146 2.834366 0.0120
D(IDE) 0.378163 0.110598 3.419246 0.0035
D(IDE(-1)) -0.349547 0.176825 -1.976801 0.0656
D(IDE(-2)) -0.257800 0.125258 -2.058154 0.0562
* p-value incompatible with t-Bounds distribution.

** Variable interpreted as Z = Z(-1) + D(Z).
Levels Equation
TXINF 0.012181 0.004686 2.599650 0.0194

MM -0.019935 0.005920 -3.367214 0.0039
FBCF -0.280627 0.115056 -2.439060 0.0268
TCP -10.86444 4.815714 -2.256039 0.0384
IDE 1.672426 0.414459 4.035201 0.0010
C 38.53910 14.74501 2.613704 0.0188
EC = TXCR - (0.0122*TXINF -0.0199*MM -0.2806*FBCF -10.8644*TCP +

1.6724*IDE + 38.5391 )
F-Bounds Test Null Hypothesis: No levels relationship
Test Statistic Value Signif. I(0) I(1)
Asymptotic:
n=1000
F-statistic 6.891425 10% 2.08 3
K 5 5% 2.39 3.38
2.5% 2.7 3.73
1% 3.06 4.15
Finite Sample:
Actual Sample Size 33 n=35
10% 2.331 3.417
5% 2.804 4.013
1% 3.9 5.419
Finite Sample:
n=30
10% 2.407 3.517
5% 2.91 4.193
27
1% 4.134 5.761
Estimation du Modèle à correction d’erreur
ECM Regression
D(TXINF) 0.001354 0.000465 2.912641 0.0102

D(TXINF(-1)) 0.000843 0.000222 3.802619 0.0016
D(TXINF(-2)) 0.000831 0.000188 4.409537 0.0004
D(MM) -0.002586 0.000609 -4.248907 0.0006
D(TCP) -20.67331 4.390467 -4.708681 0.0002
D(TCP(-1)) -4.591114 5.027209 -0.913253 0.3747
D(TCP(-2)) 14.63708 3.762048 3.890722 0.0013
D(IDE) 0.378163 0.085683 4.413514 0.0004
D(IDE(-1)) -0.349547 0.121619 -2.874118 0.0110
D(IDE(-2)) -0.257800 0.093367 -2.761156 0.0139
CointEq(-1)* -0.471910 0.057943 -8.144321 0.0000
R-squared 0.872723 Mean dependent var -0.030303

Adjusted R-squared 0.814869 S.D. dependent var 3.281147
S.E. of regression 1.411773 Akaike info criterion 3.788772
Sum squared resid 43.84829 Schwarz criterion 4.287608
Log likelihood -51.51474 Hannan-Quinn criter. 3.956615
Durbin-Watson stat 1.944636
* p-value incompatible with t-Bounds distribution.
F-Bounds Test Null Hypothesis: No levels relationship
Test Statistic Value Signif. I(0) I(1)
F-statistic 6.891425 10% 2.08 3

k 5 5% 2.39 3.38
2.5% 2.7 3.73
1% 3.06 4.15
Estimation des effets de long terme

Levels Equation
28
TXINF 0.012181 0.004686 2.599650 0.0194

MM -0.019935 0.005920 -3.367214 0.0039
FBCF -0.280627 0.115056 -2.439060 0.0268
TCP -10.86444 4.815714 -2.256039 0.0384
IDE 1.672426 0.414459 4.035201 0.0010
C 38.53910 14.74501 2.613704 0.0188
EC = TXCR - (0.0122*TXINF -0.0199*MM -0.2806*FBCF -10.8644*TCP +

1.6724*IDE + 38.5391 )
Analyse de robustesse du modèle

9
Series: Residuals
8
Sample 1988 2020
7 Observations 33
6 Mean 7.35e-15
5
Median 0.009165
Maximum 3.038843
4 Minimum -2.897122
Std. Dev. 1.170581
3
Skewness 0.254544
2 Kurtosis 3.956040
1
Jarque-Bera 1.613125
0 Probability 0.446390
-3 -2 -1 0 1 2 3
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 0.595590 Prob. F(2,14) 0.5646

Obs*R-squared 2.587614 Prob. Chi-Square(2) 0.2742
Test Equation:
Dependent Variable: RESID
Method: ARDL
Date: 12/04/21 Time: 13:31
Sample: 1988 2020
Presample missing value lagged residuals set to zero.
Heteroskedasticity Test: Breusch-Pagan-Godfrey
F-statistic 0.635457 Prob. F(16,16) 0.8130

Obs*R-squared 12.82215 Prob. Chi-Square(16) 0.6857
Scaled explained SS 4.455056 Prob. Chi-Square(16) 0.9979
Test Equation:
29
Dependent Variable: RESID^2
Method: Least Squares
Date: 12/04/21 Time: 13:32
Sample: 1988 2020
Ramsey RESET Test

Equation: EQ01
Specification: TXCR TXCR(-1) TXINF TXINF(-1) TXINF(-2) TXINF(-3) MM
MM(-1) FBCF TCP TCP(-1) TCP(-2) TCP(-3) IDE IDE(-1) IDE(-2) IDE(
-3) C
Omitted Variables: Squares of fitted values
Value Df Probability
t-statistic 1.201579 15 0.2482
F-statistic 1.443793 (1, 15) 0.2482
F-test summary:
Mean
Sum of Sq. Df Squares
Test SSR 3.849954 1 3.849954
Restricted SSR 43.84829 16 2.740518
Unrestricted SSR 39.99834 15 2.666556
30
III.8 Table des matières
0. Introduction .................................................................................................................................... 4
1. Revue de littérature........................................................................................................................ 5
III. Démarche économétrique ................................................................................................................ 7
III.1 Spécification du modèle .............................................................................................................. 7
III.2 Source des données ..................................................................................................................... 9
III.3 Analyse exploratoire des données ............................................................................................ 10
III.4 Investigations empiriques ......................................................................................................... 12
III.4.1 Stationnarité des variables ................................................................................................ 12
III.4.2 Test de cointegration de Pesaran et al (2001) ................................................................... 13
III.4.2.1 Décalage optimal et estimation du modèle ARDL...................................................... 13
III.4.2.2 Test de cointegration aux bornes ............................................................................... 15
III.4.2.3 Estimation du modèle à correction d’erreur (MCE) et interprétation des effets de
court terme ............................................................................................................................... 15
III.4.2.4 Estimation des effets de long terme ........................................................................... 16
III.4.2.5 Test de causalité au sens de Toda et Yamamoto (TY) ................................................ 17
III.5 Conclusion .................................................................................................................................. 18
III.6 Références bibliographiques ..................................................................................................... 20
III. 7 Annexes ..................................................................................................................................... 21
III.8 Table des matières..................................................................................................................... 30

Séminaire Ecomath Version Finale-1

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Séminaire Ecomath Version Finale-1

Transféré par

Droits d'auteur :

Formats disponibles

1

FACULTE DES SCIENCES ECONOMIQUES ET DE GESTION

TEST DE CAUSALITE ET ANALYSE DES EFFETS DE

MBADU MBADU Verlain

Chef de travaux: Emery MUNGELE

Année académique 2020-2021

Française d’Economie et de Gestion « Volume 2 : numéro 2 » pp : 13-29.

III. Démarche économétrique

 Le modèle Autorégressif s’écrit formellement comme suit:

Yt = Ψ + ∑𝑃𝑖=1 𝑎𝑖 𝑌𝑡−𝑖 + ∑𝑞𝑗=0 𝑏𝑗 𝑋𝑡−𝑗 + et (3)

III.2 Source des données

Variables Descriptions Effets attendus

III.3 Analyse exploratoire des données

Jarque-Bera 3.819276 368.8148 305.1279 2.008665 0.875492 16.83184

Somme 48.00000 23988.32 20769.20 520.5234 111.3436 89.57100

Source : L’auteur, à l’aide du logiciel Eviews 10

TXCR TXINF MM FBCF TCP IDE

III.4 Investigations empiriques

Ordre d’intégration d = 0 d=1 Décision

III.4.2.1 Décalage optimal et estimation du modèle ARDL

TXCR(-1) 0.528090 0.104750 5.041450 0.0001

Autocorrélation Breusch-Godfrey 0.55 (0.65)

Hétéroscédasticité Breusch-Pagan-Godfrey 0.64 (0.81)

Normalité Jarque-Bera 1.61 (0.44)

Specification Ramsey (Fisher) 1.44 (0.25)

Source : L’auteur, à l’aide du logiciel Eviews 10

Tableau 7: test de cointegration aux bornes

Variables Txcr, Txinf, Mm, Fbcf, Tcp,

Variables exogènes Coefficient t-Statistic Prob.

D(TXINF) 0.001354 2.912641 0.0102

Tableau 9 : Effets de long terme

TXINF 0.012181 2.599650 0.0194

III.4.2.5 Test de causalité au sens de Toda et Yamamoto (TY)

Variables causales ou explicatives/probabilités

Il ressort de ce tableau les résultats suivants :

 Des causalités bidirectionnelles entre la croissance économique et le niveau d’inflation,

2. Anjara Lalaina Jocelyn Rakotoarisoa (2019), Politique monétaire et Croissance

9. Kalonda (2021), Notes de cours d’Econométrie, Université de Kinshasa, Faseg

Base des données

Augmented Dickey-Fuller test statistic -2.104439 0.5255

Txcr : 1ère Différence

Augmented Dickey-Fuller test statistic -4.518921 0.0054

Augmented Dickey-Fuller test statistic -2.644461 0.2652

Txinf : 1ère Différence

Augmented Dickey-Fuller test statistic -2.771631 0.0075

Augmented Dickey-Fuller test statistic -90.97175 0.0000

Augmented Dickey-Fuller test statistic -4.346036 0.0078

Augmented Dickey-Fuller test statistic -4.843757 0.0022

Augmented Dickey-Fuller test statistic -5.574611 0.0003

Break Date: 2012

Augmented Dickey-Fuller test statistic -4.207859 0.3889

Txcr : 1ère Différence

Break Date: 2008

Augmented Dickey-Fuller test statistic -7.316598 < 0.01

Break Date: 2004

Augmented Dickey-Fuller test statistic -18.87102 < 0.01

Break Date: 2018

Augmented Dickey-Fuller test statistic -74.18849 < 0.01

Estimation du Modèle ARDL

Variable Coefficient Std. Error t-Statistic Prob.*

TXCR(-1) 0.528090 0.104750 5.041450 0.0001

R-squared 0.961544 Mean dependent var 1.218182

Conditional Error Correction Regression

Variable Coefficient Std. Error t-Statistic Prob.

EC = TXCR - (0.0122TXINF -0.0199MM -0.2806FBCF -10.8644TCP +

EC = TXCR - (0.0122TXINF -0.0199MM -0.2806FBCF -10.8644TCP +