MODULE : ECONOMETRIE

NOM ET PRENOM : HOCINE HOCINE.

OBJET : HOMEWORK N◦1

QUESTION 1 :
1- Donner les principales statistiques descriptives des séries de PIB et de masse monétaire en
logarithme :

Commentaire :
PIB LPIB
Mean 5698322. 15.47895
Median 5189250. 15.46210 Le PIB des usa a une tendance de croissance
Maximum 10074825 16.12555 dynamique ,ce qui est constaté sur la
Minimum 2501775. 14.73251
Std. Dev. 2219083. 0.402233 moyenne du PIB qui témoigne la stabilité de
Skewness 0.421711 -0.123017
Kurtosis 2.084818 1.977306 la croissance économique.la dispersion du
Jarque-Bera 2.775145 1.982364 PIB décrite par l’ écart type indique une
Probability 0.249681 0.371138
résilience de cette économie face au
Sum 2.45E+08 665.5948 fluctuations et perturbations économique.
Sum Sq. Dev. 2.07E+14 6.795237

Observations 43 43

2-Représentation graphique de la variable lpib

LPIB
16.2
16.0
15.8
15.6
15.4
15.2
15.0
14.8
14.6
1960 1965 1970 1975 1980 1985 1990 1995 2000

EVOLUTION DU PIB

Commentaire :

On remarque une évolution progressive du pib des usa au fils des années.
QUESTION2 :
1-calcul du taux d’intérêt réel dans cette économie :

D’où : Rnominal=Rréel*IPC
2-calcul de la masse monétaire réelle :
Pour l’ajuster au prix courant on applique la formule suivante :

Masse monnétaire réelle = Masse monétaire à court terme / DPIB.

QUESTION3 :
Estimation du modèle de regression multiple
Log(Mr)=a+blog(lpib)+c(in)+d(lpib(-1))

Dependent Variable: LMR

Method: Least Squares
Date: 11/15/23 Time: 20:43
Sample (adjusted): 1961 2002
Included observations: 42 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

LPIB 0.098913 0.055845 1.771197 0.0845

IN 3.65E-05 4.72E-05 0.773220 0.4442
LMRR 0.805045 0.078475 10.25860 0.0000
C 0.524483 0.244431 2.145727 0.0383

R-squared 0.983481 Mean dependent var 10.47080

Adjusted R-squared 0.982177 S.D. dependent var 0.254254
S.E. of regression 0.033944 Akaike info criterion -3.837821
Sum squared resid 0.043783 Schwarz criterion -3.672328
Log likelihood 84.59424 Hannan-Quinn criter. -3.777161
F-statistic 754.1217 Durbin-Watson stat 1.106204
Prob(F-statistic) 0.000000

commentaire:
Le modèle éstimé indique une excellente adéquation entre les variables explicative R2=98%
ce que implique que 98% de la variabilité constatée sur l’évolution de la masse monétaire
est expliquée par les variations du PIB ainsi le PIB de l’année précédente Par contre on
remarque que le coefficient du taux d’intérêt nominal est négatif mais très faible ce qui
stiplule que cette variable ne contribue pas au modèle et n’explique pas la variable
endogéne d’une première hypothèse.
QUESTION 4 :
4-Tester la multicolinéairité entre les variables exogénes
4-1Aperçu sur la matrice de corrélation entre ces variables
 IN LPIB LMRR
0.5250498062 0.4474543469
IN 1 179296 590118
0.5250498062 0.9642054001
LPIB 179296 1 230462
0.4474543469 0.9642054001
LMRR 590118 230462 1

Commentaire :
-on remarque d’après la matrice de corrélation entre les variables exogénes une forte corrélation entre le
pib et la masse monétaire de l’année n-1 ceci peut engendrer un probléme de muticolinéarité dans le
modèle estimé.
4-2-La méthode des vifs et détection de multicolinéarité :

Variance Inflation Factors

Date: 11/15/23 Time: 21:04
Sample: 1960 2002
Included observations: 42

Coefficient Uncentered Centered

Variable Variance VIF VIF

LPIB 0.003119 27317.63 16.84891

IN 2.22E-09 3.261684 1.481164
LMRR 0.006158 24502.69 15.25917
C 0.059747 2177.902 NA

VIF(lpib) et VIF(lmr(-1)) ont des valeurs très importantes >5 voir 10 ce qui implique la présense de la
multclinéarité dans ce modèle causés par ces deux variables.

QUESTION 5 :
Calcul des coefficients de corrélation partielle entre les variables exogénes

1- Corrlpib.lmrr/in
LPIB IN LMRR

LPIB 1.000000 9.92E-09 0.958154

IN 9.92E-09 1.000000 6.97E-09 1-la Corrlpib.lmrr/in est très importante malgré la suppression
LMRR 0.958154 6.97E-09 1.000000
d’effet de la variable in ce qui implique que la variable in est

négligeable dans ce modèle car cette corrélation est proche

2-Corrlpib.in/lmrr de la correlation simple

LPIB IN LMRR Partielle =0.95

LPIB 1.000000 0.394768 NA Simple =0.96
IN 0.394768 1.000000 NA

LMRR NA NA NA 2-les deux Corrlpib.in/lmrr et Corrlmrr.in/lpib sont faibles

lorsque l’effet de la masse et l’effet du pib sont retirés

3-Corrlmrr.in/lpib
respectivement.
LPIB IN LMRR
 LPIB NA NA NA
IN NA 1.000000 -0.260567
LMRR NA -0.260567 1.000000

QUESTION 6
Présentation du modèle optimale :
1-retour sur le modèle 1 estimé :

Dependent Variable: LMR

Method: Least Squares
Date: 11/15/23 Time: 20:43
Sample (adjusted): 1961 2002
Included observations: 42 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

LPIB 0.098913 0.055845 1.771197 0.0845

IN 3.65E-05 4.72E-05 0.773220 0.4442
LMRR 0.805045 0.078475 10.25860 0.0000
C 0.524483 0.244431 2.145727 0.0383

R-squared 0.983481 Mean dependent var 10.47080

Adjusted R-squared 0.982177 S.D. dependent var 0.254254
S.E. of regression 0.033944 Akaike info criterion -3.837821
Sum squared resid 0.043783 Schwarz criterion -3.672328
Log likelihood 84.59424 Hannan-Quinn criter. -3.777161
F-statistic 754.1217 Durbin-Watson stat 1.106204
Prob(F-statistic) 0.000000

2-Application de la méthode de backword selection :

Pvalue(IN)>0.005 <=> 0.4442>0.005
on procéde à l’élimination de cette variable et pour confirmer cette démarche on remarque le coefficient
de regression de cette variable est trop faible en procédant au test de significativité de ce coeff on obtient
Log(Mr)=a+blog(lpib)+c(in)+d(lpib(-1))
H0 : c=0
H1 : c≠0
Pvalue(IN)>0.005 <=> 0.4442>0.005
Wald Test: On accepte H0, on rejette H1
Equation: Untitled

Test Statistic Value df Probability C n’est pas significativement différent de 0

t-statistic 0.773220 38 0.4442
F-statistic 0.597869 (1, 38) 0.4442
Chi-square 0.597869 1 0.4394

Null Hypothesis: C(3)=0

Null Hypothesis Summary:

Normalized Restriction (= 0) Value Std. Err.

C(3) 3.65E-05 4.72E-05

Restrictions are linear in coefficients.

3-modèle après élimination de la vriable in :

Dependent Variable: LMR
Method: Least Squares
Date: 11/16/23 Time: 11:28
Sample (adjusted): 1961 2002
Included observations: 42 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

LPIB 0.115959 0.051044 2.271738 0.0287

LMRR 0.789235 0.075373 10.47110 0.0000
C 0.430857 0.211235 2.039708 0.0482

R-squared 0.983221 Mean dependent var 10.47080

Adjusted R-squared 0.982361 S.D. dependent var 0.254254
S.E. of regression 0.033768 Akaike info criterion -3.869829
Sum squared resid 0.044472 Schwarz criterion -3.745710
Log likelihood 84.26641 Hannan-Quinn criter. -3.824334
F-statistic 1142.666 Durbin-Watson stat 1.080462
Prob(F-statistic) 0.000000

On rappelle que lpib et lmrr (lmr(-1)) sont colinéaires (voir question 4) ont doit éliminer la variable qui nous
procure le R2 le plus faible :
3-1 modèle avec lpib

Dependent Variable: LMR

Method: Least Squares
Date: 11/16/23 Time: 11:32
Sample: 1960 2002
Included observations: 43

Variable Coefficient Std. Error t-Statistic Prob.

LPIB 0.651108 0.026696 24.39018 0.0000

C 0.376917 0.413355 0.911849 0.3672

R-squared 0.935522 Mean dependent var 10.45539

Adjusted R-squared 0.933950 S.D. dependent var 0.270772
S.E. of regression 0.069589 Akaike info criterion -2.447025
Sum squared resid 0.198548 Schwarz criterion -2.365109
Log likelihood 54.61104 Hannan-Quinn criter. -2.416817
F-statistic 594.8807 Durbin-Watson stat 0.246226
Prob(F-statistic) 0.000000

3-2 modèle avec lmr(-1)

Dependent Variable: LMRR

Method: Least Squares
Date: 11/16/23 Time: 11:35
Sample (adjusted): 1961 2002
Included observations: 42 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

LMR 1.027944 0.022619 45.44595 0.0000

C -0.319156 0.236908 -1.347174 0.1855

R-squared 0.981001 Mean dependent var 10.44424

Adjusted R-squared 0.980526 S.D. dependent var 0.263878
S.E. of regression 0.036824 Akaike info criterion -3.718868
Sum squared resid 0.054241 Schwarz criterion -3.636122
Log likelihood 80.09623 Hannan-Quinn criter. -3.688539
F-statistic 2065.335 Durbin-Watson stat 1.068024
Prob(F-statistic) 0.000000
3-3- choix du modèle
-D’un point de vue statistique il est claire que le modèle lmr=a+blmr(-1) est le meilleur modèle elle explique
toute seul 98.1 % de la variable y supérieur à 93% expliqué par le PIB mais il faut insinuer qu’il s’agit de la
même variable décalée d’une année.
- D’un point de vue macroéconomique le PIB constitue lui même de la richesse créée dans cette économie
ainsi un déterminant essentiel de la masse monétaire disponible dans l’économie, en addition elle offre
également un excellent R2 égal à 93%

On opte pour le modèle :

Log(MR)=a+blog(PIB)
4-Stabilité du modèle :
On remarque la concentration du nuage du point autour de la droite de regression , on peut dire cette
dispestion est constante et homogéne tout au long de cette période .

11.0

10.8

10.6

10.4
LMR

LMR=0.3769+0.6511*LPIB
10.2

10.0

9.8

9.6

14.6 14.8 15.0 15.2 15.4 15.6 15.8 16.0 16.2

LPIB

QUESTION 7 :
Calculer l’élasticité de la masse monétaire par rapport au pib

𝑚 − 𝑚(−1)/𝑚(−1)
𝑒𝑚/𝑝𝑖𝑏 =
𝑝𝑖𝑏 − 𝑝𝑖𝑏(−1)/𝑝𝑖𝑏(−1)
1- Données nominales (à court terme)
2- Données réelles
 2-1 on doit calculer d’abord le PIBréel

PIBnominal ∗ 100
𝑃𝐼𝐵𝑟é𝑒𝑙 =
Déflateur PIB

𝑚𝑟 − 𝑚𝑟(−1)/𝑚𝑟(−1)
𝑒𝑚/𝑝𝑖𝑏 =
𝑝𝑖𝑏𝑟 − 𝑝𝑖𝑏𝑟(−1)/𝑝𝑖𝑏𝑟(−1)

La serie des élasticités donne les résultats suivants sur eviews

EMPIB EMPIBR

1960 NA NA
1961 0.131053 0.001310
1962 0.133581 0.001336
1963 0.138746 0.001387
1964 0.141632 0.001416
1965 0.143901 0.001439
1966 0.141273 0.001413
1967 0.150605 0.001506
1968 0.155173 0.001552
1969 0.156132 0.001561
1970 0.166099 0.001661 Commentaire :
1971 0.182191 0.001822
1972 0.195449 0.001954 On apperçoit une accroissement d’élasticité entre
1973 0.197056 0.001970
1974 0.208843 0.002088 le pib et la masse monétaires réelles qui devient
1975 0.235710 0.002357
1976 0.253693 0.002537 de plus en plus forte ce qui implique forcément
1977 0.267400 0.002674 l’effet du pib sur la masse monétaire disponible de
1978 0.272381 0.002724
1979 0.284858 0.002848 cette économie.
1980 0.309938 0.003099
1981 0.331727 0.003317
1982 0.368126 0.003681 Tandis que l’élasticité d’un point de vu réel n’existe
1983 0.392072 0.003921
1984 0.397327 0.003973
pas, elle tend vers zéro ce qui implique que la vraie
1985 0.412257 0.004122 valeur de la monnaie est influencée par d’autres
1986 0.436217 0.004362
1987 0.437278 0.004373 facteurs
1988 0.444098 0.004441
1989 0.452402 0.004524
1990 0.461046 0.004610
1991 0.475894 0.004759
1992 0.467902 0.004679
1993 0.462613 0.004626
1994 0.446393 0.004464
1995 0.453378 0.004534
1996 0.458284 0.004583
1997 0.463250 0.004632
1998 0.483529 0.004835
1999 0.490900 0.004909
2000 0.502468 0.005025
2001 0.550884 0.005509
2002 0.575146 0.005751

QUESTION 8 :
Calculer la semi-élasticité par rapport au taux d’intérêt
Elle mesure la variation de la masse monétaire engendré par un changement dans le taux
d’intérêt

(lm−lm(−1))/lm(−1)
Avec =𝑒𝑚/𝑟 = (r−r(−1))/r(−1)

1-données nominales (à court terme)

EMR EMRR

1960 NA NA Commentaire :
1961 0.000699 0.211871
1962 0.000511 0.151272
1963 0.001251 0.569464 on remarque que la série des élasticités de
1964 0.000189 0.053289
1965 0.000203 0.059645 la masse monétaire et le taux d’intérêt est
1966 0.000827 -0.101681
1967 -0.000198 -0.040308 très faible que ce soit à court ou à long
1968 -0.000182 -0.027194
1969 7.68E-06 -0.001145 terme .
1970 -3.08E-05 -0.002480
1971 -0.002390 -0.229038
1972 -0.000778 -0.183702
1973 2.87E-05 0.003249
1974 -0.000104 0.046040
1975 2.45E-05 0.005525
1976 -0.000456 -0.251748
1977 0.001453 0.676064
1978 3.17E-05 0.002796
1979 -0.000209 0.012333