Académique Documents
Professionnel Documents
Culture Documents
Réaliser par :
Encadrer par :
AMGHAR SARA
GUENBOURA SAFAE Mme YAMANI Rachida
MATAICH MERYEME
TBITBI MERYEM
Année universitaire: 2022-2023
Sommaire :
I) La partie théorique :
La problématique
Introduction générale
L’objectif de l’étude
Spécification des données
Relation entre les variables
La démarche économétrique
II) La partie pratique :
Analyse descriptive des variables
Etude de corrélation entre variables
Étude de la stationnarité des variables
Détermination du nombre optimal de retard
Etude de la Co intégration
Etude de la causalité
Estimation et validation du modèle VAR
Restriction du modèle VAR=== SVAR
Interprétation des résultats obtenus
La problématique :
Dans quelle mesure les termes de l’échange (Te) et la balance commerciale (BC)
impactent-ils la dynamique des exportations (Ex) ?
La partie théorique
Introduction générale
L'objectif de cette étude consiste à expliquer la dynamique des exportations (Ex) aux termes de
l’échange (Te) et à la balance commerciale (BC).
Spécification des données :
• Termes de l'échange désignent, en économie, le pouvoir d‘achat de biens et services importés qu'un
pays détient grâce à ses exportations.
• Exportation C’est l'action de vendre à l'étranger une partie de la production de biens ou de services
d'un ensemble économique, pays ou région.
Relation entre les variables
Cela dépend des exportations qui sont supérieures ou non aux importations sur une même période.
Excédentaire
BC Déficitaire
B. La relation entre les exportations (Ex) et le terme de l’échange (Te)
L'indice des termes de l'échange = les prix des exportations/ les prix des importations
Si les prix à l'exportation augmentent plus que les prix à l'importation
le pays a un terme de l'échange positif, puisque pour le même niveau d'exportations il peut acheter plus
d'importations.
La démarche économétrique de la modélisation SVAR
EX
3.0E+10
2.5E+10
2.0E+10
1.5E+10
1.0E+10
5.0E+09
0.0E+00
80 82 84 86 88 90 92 94 96 98 00 02 04 06
D’après le graphe, nous remarquons que la série des exportations a des fluctuations très faibles jusqu’à
l’année 2000 où nous remarquons une forte augmentation.
BC
2,000,000,000
1,000,000,000
-1,000,000,000
-2,000,000,000
-3,000,000,000
-4,000,000,000
-5,000,000,000
80 82 84 86 88 90 92 94 96 98 00 02 04 06
280
240
200
160
120
80
40
0
80 82 84 86 88 90 92 94 96 98 00 02 04 06
D’après le graphe, nous remarquons que la série n’a pas des fluctuations autours
de sa moyenne
La série des TE est une série linaire.
9
Series: EX
8
Sample 1980 2007
7 Observations 28
6
Mean 9.40e+09
5 Median 7.46e+09
Maximum 2.73e+10
4
Minimum 3.70e+09
3 Std. Dev. 5.94e+09
Skewness 1.466661
2
Kurtosis 4.699068
1
Jarque-Bera 13.40642
0
5.0e+09 1.0e+10 1.5e+10 2.0e+10 2.5e+10
Probability 0.001227
L’analyse descriptive de la série des exportations indique que la série est leptokurtique, c’est-à-dire
la série est hyper normale puisque le coefficient d’aplatissement,(Kurtosis=4,69) est supérieure à 3.
Le coefficient d'asymétrie est positif donc la distribution est étalée vers la droite (skewness = 1.46).
Un coefficient d'asymétrie non nul est souvent assimilé à un indicateur de non linéarité.
La statistique de Jarque-Bera indique un rejet de l'hypothèse nulle de normalité de la distribution
(probabilité = 0,001227 est inférieur à 0,05).
La distribution des EX ne suit pas la loi normale.
10
Series: BC
Sample 1980 2007
8 Observations 27
Mean -1.60e+09
6
Median -1.66e+09
Maximum 1.35e+09
4 Minimum -4.11e+09
Std. Dev. 1.17e+09
Skewness 0.494104
2 Kurtosis 4.488349
Jarque-Bera 3.590704
0
-4.0e+09 -3.0e+09 -2.0e+09 -1.0e+09 5000.00 1.0e+09 Probability 0.166069
L’analyse descriptive de la série de BC indique que la série est leptokurtique, c’est-à-dire la série est
hyper normale puisque le coefficient d’aplatissement,(Kurtosis=4,48) est supérieure à 3.
Le coefficient d'asymétrie est positif donc la distribution est étalée vers la droite (skewness = 0.49).
Un coefficient d'asymétrie non nul est souvent assimilé à un indicateur de non linéarité.
La statistique de Jarque-Bera indique une acceptation de l’hypothèse nulle de normalité de la
description (probabilité = 0,166 est sup à 0,05, la distribution des BC suit la loi normale.
4
Series: TE
Sample 1980 2007
Observations 28
3
Mean 157.8571
Median 165.0000
2 Maximum 300.0000
Minimum 10.00000
Std. Dev. 90.44569
1 Skewness -0.087263
Kurtosis 1.736483
Jarque-Bera 1.898090
0
0 25 50 75 100 125 150 175 200 225 250 275 300 325
Probability 0.387110
L’analyse descriptive de la série de TE indique que la série est platykurtique, c’est-à-dire la série est
relativement aplatie puisque le coefficient d’aplatissement,(Kurtosis=1.73) est inférieur à3.
Le coefficient d'asymétrie est négative donc la distribution est étalée vers la gauche (skewness = -0.08).
La statistique de Jarque-Bera indique une acceptation de l’hypothèse nulle de normalité de la
description (probabilité = 0,387 est sup à 0,05).
La distribution des TE suit la loi normale.
Etude de corrélation entre variables :
Correlation
Probability BC EX TE
BC 1.000000
-----
EX -0.552021 1.000000
0.0028 -----
• On note une corrélation négative significative (probabilité=0,0627 > 5%) entre la BC et TE (36.3044%).
• une corrélation négative significative (probabilité= -0.5520>5%) entre la BC et EX (55.20%).
• une corrélation positive significative (probabilité= 0.000<5%) entre EX et TE (90.07%).
Etude de la stationnarité des variables
On constate que les trois critères d’information nous conduisent à retenir un processus VAR(2).
Parc que le retard optimal égal à 2.
Etude de Co-intégration :
Les résultats du test de racine unitaire de Dickey-Fuller Augmenté (ADF) montrent que :
Les exportations et les termes de l’échange est stationnaire après une deuxième différenciation, concernant la
balance commerciale après la première différenciation.
EX I(2)
BC I(1)
TE I(2)
Les résultats de notre test de non stationnarité, nous montrent que les variables de
notre modèle n’ont pas le même ordre d’intégration. Donc un test de cointégration au
sens de Johenson n’est pas nécessaire.
La méthode vectorielle autorégressive (VAR) sera notre méthode d’analyse
ANALYSE DE LA CAUSALITE :
Approche de Toda-Yamamoto
Dans ce cas, nous avons utilisé le test de causalité au sens de Toda-Yamamoto (1995) qui est basé sur la
statistique e « W» de Wald.
La statistique « W».de Wald est distribuée suivant un khi deux à n degré de liberté.
Cette statistique est indépendante de l'ordre d'intégration des séries et leur cointégration,
Ainsi. au sens de Toda et Yamamoto, les hypothèses de test sont:
• H0 : X2 >5% l’absence de causalité.
• H1 : X2 <5% la présence de causalité.
Application du test: Dependent variable: BC
EX 8.472830 4 0.0757
TE 5.067255 4 0.2805
All 4 ---
BC 1.822229 4 0.7684
EX 10.44744 4 0.0335
Tenant compte du décalage dégagé au point précédent, nous allons donc estimer ce modèle:
• DEX= a0 + a1 DEX(-1) + a2 DBC (-1) + a3 DTE (-1) + VDEX
•DBC= b0 + b1 DEX(-1) + b2 DBC(-1) + b3 DTE(-1) + VDBC
• DTE = c0 + c1 DEX(-1) + c2 DBC (-1) + c3 DTE(-1) + VDTE
Validation du modèle VAR :
Pour avoir un modèle pertinent globalement significatif nous devrons effectuer des tests
diagnostiques pour s’assurer de la fiabilité de notre modèle.
• Test d’autocorrélation
Lag LRE* stat df Prob. Rao F-stat df Prob.
APPLICATION DU TESTE:
L’hypothèse de modèle s’écrit comme suit :
H0 : les résidus ne sont pas autocorrélés
H1 : les résidus sont autocorrélés
La règle de décision sera d’accepter l’hypothèse
nulle si la P-Value de (LM) est supérieur à 5%.
==Toutes les probabilités sont supérieures à 5%, on accepte l'hypothèse nulle selon laquelle les
résidus ne sont pas corrélés (absence d'autocorrélation).
•Test d’Hétéroscédasticité:
Joint test:
Chi-sq Df Prob.
39.44374 60 0.9815
Component Jarque-Bera
Test de normalité des résidus L’hypothèse de modèle s’écrit comme suit : df Prob.
H0 : les résidus suivent une loi normale
H1 : les résidus ne suivent pas une loi normale
Les probabilités sont supérieures à 5% donc on accepte l’hypothèse nulle les résidus suivent une loi normale.
1 0.288446 2 0.8657
2 3.450909 2 0.1781
3 4.756128 2 0.0927
Un processus VAR est stable si les racines de det(Φ(L)) sont strictement supérieures à 1 en module.
L’inverse des racines de det(Φ(L)) doivent être à l’intérieur du disque unité.
L’inverse des racines associées à la partie AR appartient au cercle unité du plan complexe.
La condition de stabilité est vérifiée. Le modèle VAR est bien stable.
Les résultats des tests diagnostiques nous montrent que les résidus sont normaux et ne sont pas corrélés et ils
sont homooscédastiques, Nous concluons ainsi que notre modèle est validé.
Fonction de réponse impulsionnelle
Réponse de EX suite à un choc sur BC: L'impact d'un choc sur la variable EX est
également simulé. L'effet est négatif à long terme.
Réponse de EX suite à un choc sur TE: L'impact d'un choc sur la variable EX est également simulé.
L'effet est négatif à long terme.
Réponse de la balance commerciale suite à un choc sur EX: L'impact d'un choc sur la variable
balance commerciale est également simulé. L'effet est négatif au cours de la première année
avant de s'amortir a long terme
Modélisation SVAR
Dans le modèle VAR simple :
La matrice A s’écrit comme suit :
Restriction à CT :
les termes de l’échange, semblent jouer, à court terme, un rôle qui doit être nuancé sur le
niveau de la balance commerciale.
Alors:
(a12=a13=a21=a31=a32=0)
A=
Effectuer la factorisation structurelle ou définir les restrictions
Estimated A matrix:
1.000000 0.000000 0.000000
0.000000 1.000000 0.323920
0.000000 0.000000 1.000000
Estimated B matrix:
0.011178 0.000000 0.000000
0.000000 1.046033 0.000000
0.000000 0.000000 1.095097
Estimated S matrix:
0.011178 0.000000 0.000000
0.000000 1.046033 -0.354724
0.000000 0.000000 1.095097
Restriction à LT:
Les restrictions à LT concernent les effets cumulés des chocs (innovations) dans le temps. Elles
définissent les effets à long terme d’un choc positif permanent sur une des variables endogènes du
modèle
Les effets à LT d’un choc dans une variable sur d’autres variables forment la matrice carrée« F »
d’ordre « kxk » qui s’établit comme suit:
F=
avec NA: non attribué OU Valeur manquante
Les restrictions à long terme :
nous allons appliquer une restriction à long terme sous forme matricielle :
• Pour déterminer les effets à long terme d’un choc permanent sur une des variables
endogènes du modèle.
• On détermine la matrice « F » qui comprend les effets des chocs cumulés à long
terme entre variables, et ses valeurs nulles traduisent l’absence d’effet entre les
variables concernées.
• Pour les restrictions à long terme de notre SVAR, l’on illustre également les deux
modes (équations et matrices).
A= F=
Estimated F matrix:
0.028703 0.000000 0.000000
0.967269 1.700820 -0.267781
-1.961719 0.000000 0.882850
Interprétations des résultats du Modèle SVAR
Elasticités de court terme
EX BC TE
EX 1.000000 0.000000 0.000000