1. Qu'est-ce que I'économétrie 7 L’économétrie est la mesure des phénoménes économiques. Elle constitue une branche de la scence économique qui fait appel conjointement a la théorie économique, la statistique, les mathématiques et I'informatique. L’économétrie, en tant que discipline, est née en 1930 lors de la création de la Société d’économétrie par Ragnar Frisch, Charles Roos et Irving Fisher. L’économétrie est un ensemble de méthodes statistiques appliquées a l'économie. Elle a deux fonctions essentielles : i) tester les théories économiques ou, plus modestement certaines assertions de la théorie économique; ii) évaluer les paramétres en jeu dans les relations économiques. L’économétrie est une branche de la science économique consistant a établir des lois ou a verifier des hypotheses a partir de données chiffrées tirées de la réalité Il est & peu prés impossible de faire de la recherche en sciences économiques sans se trouver devant la nécessité de lire ou de réaliser des travaux d'économétrie a un moment ou a un autre. Scanne avec CamScannerest a raison pour laquelle, dans tous les pays, la formation des économistes suppose acquisition des techniques économetiques. A tire illustration sur les demiers Prix Nobel d'Economie, trois furent attibués & des économétres : Heckman, fet McFadden en 2000 (économétrie des variables qualitatives), Engle et Granger fen 2003 (économétrie des séties temporelles et économétie financiére) et Sargent ft Sims en 2011 (recherches sur la cause et effet en macroéconomie, modéles VAR, ..). De fait dong Féconomiste ne doitsd pas @re aussi économétre? John Maynard Keynes, dans les années 1930, éorvait « L'économiste doit étre mathématicen,historien, philosophe, homme d'état, ... » Sil faut transférer la pensée de Keynes aujourdhui, nvauraitl pas Iuiméme ajouté Véconomiste doit @tre économetre ? Léconométrie est donc une discipline dont le contenu opérationnel est trés Important. ttre d'exemple,'économétrie peut permetire de quantifier un phénoméne, détablic une relation entre plusieurs variables, de vader ou d'infimner empiriquement lune théoria, dévaluer les effets dune mesure de politique économique, etc. Léconométrie peut permetire de répondre & des interrogations comme. + Les termes de léchange sont! un instrument de la valour des taux de change ? Diautres variables économiques ontetes plus dimpact ? ‘+ La théorie dela parité des pouvoirs d'achat est-elle vértiée empiriquement ? ‘+ Le CFA estil surévalué ? Si oul, quel est le pourcentage de surdvaluation ? En Gaultes termes, quelle est la valour d'équilbre du CFA? ‘+ Une hausse de inflation pemetelle de réduire le chomage ? + Y ati une convergence des PIB partéte au niveau Intemational ? + Quel est impact dlune hausse de 10% durevenu sur ta consommation dun mérage? Cet impact difére t+ selon le pays de résidence duménage ? + ete. De _maniére générale, pour répondre a ces interrogations, I'économétre devra construire un modale visant & mettre en relation les diverses vatiables dintert. Liéconométrie peut eneffet étre appliquée & toutes les branches de l'économie: la ‘macroéconomie, la. finance, économie du travail, "économie indusvielle, 'économie Publique, etc. Les techniques économétriques peuvent aussi éire moblisées dans autres disciplines, tees. que la_gestion (notamment en marketing), la. biologie, agronomie, la science politique, la médecine, la sociologie, et. Les techniques économétriques sont réguliérement ulifsées dans les banques, les mministeres, les agences gouvernementales, les grandes entreprises, les institutions Intemationales, la recherche agronomique, la finance, et. 7 Télécharger2. Les types de données [Nous distinguons plusieurs types de données selon que le modéle est spécifié en Série temporetto (Y;) t= 12,...,7: cest te cas le plus fréquent en conométri, is'agit de variables observées & itervales de temps reguters Exemple : Le Produit Intérieur Brut (PIB) de la Guinée, exprimé en dollars. courants ‘depuis 1980 jusqu'en 2007. Coupe instantanée (Yj) i= 1,2... ses domées sont obserées au méme instar ot concemenl les videurs pie par la variable pour un groupe dindhda spectaues Exemple :La consommation observée en 2012 pourles chefs de ménages guinéens. panet (Yit)i=12,0M5 t=42,.01T: ta variable représente les voous Exemple : Le Produit Intérieur Brut (PIB) des pays de 'UEMOA, exprimé en francs courants depuis 1980 jusqu'en 2007, Cohorte : tres proches des données de panel, les données de cohorte se distinguent de la précédente par la constance de I'échantilon, les indWidus sondés sont les mémes ‘dune période sur autre, 3. Les différents types d'horizons II est classique de distinguer les prévisions en fonction de leur terme. En fait, ‘quatre horizons sont généralement mis en scéne 1) Le tres court terme: des deriéres observations jusqu’a deux trimestres ausdela dela date courante, fi) Le court terme: de six mois & deux ans ; li) Le _moyen terme: généralement entre deux et cing ans, quelquetois dix ans ; |v) Le long terme: aurdela de cing & dic ans. Les techniques économetriques sont adaplées pour des prévisions & moyen ou long termes, Les techniques statistiques (méthodes de lissage, méthode de Box-Jenkins, ..) sont adaptées pour des prévisions @ court ou moyen termes. 5 Scanné avec CamScannerde la démarche économétrique La construction d'un modéle économétique s'effectue selon plusieurs étapes. Etape 1: Cholx de Ia variable dépendante (ou variable expliquée ou encore variable endogéne, La variable endogéne est notée Y Etape 2: Choix des variables indépendantes (ou variables explicatives ou encore variables exogénes) Les variables exogénes sont notes: Xy,¥ 3.01% 4. Le modélsatour peut saider de la théorie économique pour choisir les. variables cexplcatives. Etape 3: Constitution de la base des données Les données sont colectées pour la variable endogéne et pour les variables exogénes. Quatre types de domées sont couramment utilsées pour la constitution de la base des données: les séries temporelles ; les séries en coupe instantanée ; les panels; les cohorts, Etape 4: Choix du moddle ‘on choist un modéie Y= (XX. ‘Sachant que le phénoméne étudié ne peut éte explqué 4 100%, linfluenoe des autres variables explcatives. éventuelles est prise en comple par le’ terme demeur X,) +€ Pour le choix de la forme fonctionnelie, le modélisaleur peut s‘aider des représentations graphiques entre Ia variable endogéne et chaque variable exogéne. Dans la pratique, il teste plusieurs formes (inéaire, non linéaire) et retient celle Jugée la plus satisfaisante en se basant sur certains critéres. Les modéles économétriques disponibles sont: le modele linéaire général, le modale linéaire autorégressi, le modéle retards échelonnés, le modéle & correction demour, le modéle probitvogi, le moddle tobi, le maddie de durée, le moddle a Squations simultanées, le modéle de panel, le modéle VAR, Le choix dun modéle dépend de la disponitililé des données et du probléme tual, TéléchargerEtape 5: Estimation des paramétres du modéle chois! Les coefficients des modéles économeétriques peuvent tre estimés par diverses ‘méthodes : Moindres Carrés Ordinaires (MCO), Moindres Carrés Généralisés (MCG), Maximum de Vraisemblance (MV), Etape 6: Validation du modele estimé ‘Aprés estimation du modéle, 'Sconométre doit procéder & sa validation. Pour ce faire, i _utlise des critéres (économiques, statistiques et économétriques) afin de verifier si les paramétres obtenus sont théoriquement salisfaisants et statisiquement signficaifs. Au total, le modéle doit étre validé économiquement, _slatistiquement ct économétriquement, Les critéres économiques Ces critéres sont déterminés par les développements de la théorie économique ot concernent généralement le signe et la valeur des paramétres des relations économiques (propension marginale, élastcité, semi elastic, multplicateurs,..) ~Les crittres statistiques lis sont déterminés par la théorie statistique et ont pour but d’évaluer la flabitté statistique des estimatews des coefficients du modéle. Les plus usuels sont le cosfficent de détermination R?,la variance des estmateurs, les critéres dinformation, ~-Los criteres économétriques Ces ciitéres permettent de vériier les hypothéses de base qui soustendent la technique économétrique utlsée. lls concerent une batterie de tests. Un modele est validé si + la plupart des variables explcatives ont un impact significatif sur la variable fendogéne (Student) + IL est globalement significatf (Fisher) ; + ses erreurs ne sont pas corréiées (Durbin-Watson, Breusch-Godtrey, h de Durbin ..); + ses erreurs sont homocédastiques (White, Goldfeld-Guandt, Glejer, ARCH, Breusch-Pagan,...); + il est bien spéciié (Ramsey); + IL est stable (Chow, Cusum de Brown-Durbin-Evans, ..) 0 Scanné avec CamScannerEtape 7: Simulation et préviston du modéle validé ‘Avant dutliser le modéle estimé pour réaliser des prévisions pour un horizon Il est _vivement conselé d’évakier son pouvoir prédiclf par la réalisation de lations sur le passé pemettant de comparer les valeurs estmées aux données réelles. Un modéle a des chances avoir un bon pouvoir prédicti sil reproduit ‘efidelament » le passé. aK (tail 4g Scanne avec CamScannerChapitre 1: Le modéle linéaire général . Objectifs pédagogiques du chapitre 1 Lorsque vous aurez complété l'étude du chapitre 1, vous pourrez + maitriser réconométrie du modéle linéaire général; * énoncer les hypotheses d’application de la méthode des moindres carrés ordinaires ; + interpréter économiquement les paramétres d'un modéle estimé ; * interpréter le coefficient de détermination R*d'un modéle estimé ; + définir ce qu'on entend par seuil de signification d'un test d'hypothése ; * reconnaitre quel type de test économétrique on doit mettre en ceuvre dans.une situation particulire ; * appliquer la démarche proposée dans l'exécution des _ tests économétriques suivants : coefficient de corrélation linéaire, — Jarque- Bera, Student, Fisher, White, ARCH, Durbin-Watson, Breusch-Godfrey, Ramsey, Chow et Brown-Durbin-Evans ; * utiliser le modéle linéaire général a des fins de prévision ; * utiliser le logiciel économétrique Eviews pour estimer les parametres du modéle linéaire général et effectuer les tests économeétriques classiques. ar) (di ele4cie Scanne avec CamScannerIntroduetion. On parle de modéle de régression simple si une seule variable explcative est considérée, La fonction de consommation keynésienne Ca ta:R,+ Gp fbn ‘oC est la consommation et R le revenu est un modéle de régression simple. En pratique, il est cependant frequent quune variable (expliquée) dépende de plusieurs variables explicatives Prenons quelques exemples visant @ ilustrer les questions auxquelles on peut répondre dans le chapitre. La. production d'une entreprise dépend-telle plus du facteur capital ou du facteurtravall? Le PIB dun pays dépend-til plus de ses exportations, de Vinvestissement, du capital humain, de Tencours de la dette extérieure, du taux inflation, ou du taux de change ? Dans ces différents cas oi plusieurs variables explicatives entrent en jeu, on parle ‘de mode linéaire général’ ou modele de régression linéaire multiple. 1. Exposé du probleme Le modele linéaire général (ou mod&le de régression linéaire multiple) peut s'écrire % n OgXye + aKa Hot ONee # Ey C= 1,2, ot Y est 1a variable endogéne (ou a expliquer), XivXzr +X tos K variables exogénes (ou explicatives) indépendantes et non aléatoites, @3.012,..,@ des nombres reels inconnus, le nombre dobservations et © Je terme derreur (ou aléa) non observe, LLerreur e est une variable aléatoire centrée de variance o indépendante des variables, Xie. s'agit dun terme erreur stochastique qui permet de prendre en compte le fail que la variable Y est affectée par d'autres variables que les variables RuiXzr wre Généralement, a promiére variable Xye est 6gale 1 pour toutes les obsenations. Par conséquent a; est la constante du mode qui est de la forme m Vem ay taXae toot aaNet ees t= 12, On désire estimer les parametres @1,22,..,@q et la variance o de la variable aléatoire © & partir d'un ensemble de n observations indépendantes, Ge chapitre reprend un certain nombre de développements figurant dans ouvrage de Doucouré (2013) que le lecteur intSressé pourra consulter pour plus de détails. ind ———z-> Scanné avec CamScanner2. Notation matricielle du modale linéaire général Le modéte linéaire général peut tre présenté sous la forme matrciele YoX ate cn ~ china” oy o is Lota Ma Ta ay ey ye(22), x0 (1 42% te a) gn [% pyeket oe a pyre \ ey i Min Xan Nin er Fn Y est le vectour des n observations sur la variable endogéne. X est la matrice des variables exogenes, chaque colonne de la matrice Xest une variable explicative. a cst le vecteur des coctficients de régression. ¢ est le veceur des écarts aléatoires. Exercice d'application 1: Considérons le modéle linéaire simple (fonction de ‘consommation keynésienne) C, =a) +a, Ry +e, C, = consommation au temps t; revenu au temps t; a, = consommation incompressible ; 8 = propension marginale & consommer Ce modele s'écrt matricellement y=X.ade (ou) 6.2 RY eat) 1 Ry e TR: ) = eel Ce IR, oF “ arel(foit- lei ‘Scanne avec CamScannerExercice d'application 2: Considérons le modéle linéaire simple xX ptagthe, t Ce modele s'écrit matriciellement y=X.ade (aul) (0.2/2.1) (aad) ray 12 5 Xe 7 Yo. In, Exercice dapplication 3: Considérons le moddle linéaire : Y, =a) +a; tease? +e, Ce modele s'écrit matricillement Y=X.a+e 1) 3G) (ad) y, rro1y e1) y. 12 7 . ye]? |. x : a=Ja,| ; =|"? Yn lon : om Exercice d'application 4: A la fonction de production de Cobb-Douglas, on associe le mode linéaire général Y, =a) +0) Z, +a3M, + &, ou YY, est le logarithme népérian de la production Q, dela période t Z, est le logarithme népérien du capital utiisé K, M, est le logarithme népérien dela main d'couvre employée Ly a2 est Iélaslicté dela production par rapport au factour capital 3 est Iéasticité de la production par rapport au facteur travall .Ge modéle s'écrit matricellement YoX.a+ ce (at) (9,3) GB (nt) Y 1 Z, M 7 ey) 1 ve]? {sxe}! 72 M2) aefaa] eH] % Y, 1 Z, My eq Liéoriture sous forme maticielle rend plus aisée la manipulation du modéle linéaire ‘général, c'est pourquoi nous adoptons par a sulle, 3. Estimation et propriétés des estimateurs 3.1 Hypothases d'application de la méthode des moindres carrés ordinaires. Deux catégories a'hypothéses doivent étre faites pour résoudre le probléme des moindres carrés. Nous distinguons les hypotheses structurelles ; des hypotheses stochastiques (ides 8 erreur e). 3.41 Hypothases structurelles. - Hym>k: le nombre dobservations est supérieur au nombre de séries exlcatves, cest a dire que les degrés de lberte (NK) dolvent &tre strictement posits. = Hz! le rang de la matrice X des variables explicatives est égal a k,le nombre de paramotres a estimer. La matrice X est de plein rang colonne, autrement dit, es variables explicatives sont iinéairement indépendanies (absence de colinéarité entre les variables explicatives). Ceci impique que la matrice X’X est inversible c'est a dire que la matrice (X'X)"? existe. X” désignant la transposée de la matrice X. Cos hypotheses structurelies sont techniques, elles garantissent existence d'une solution, 3.4.2 Hypotheses stochastiques - HyiE(@,) = 0 , respérance matnématique de Ferreur est nulle. Cette hypothese impique que Y est une variable aléatore cespérance mathématique Xa. Cette condition permet doblenir des estimations sans bias. = H:E(63) = 07, les erours sont homocédastiques (leur variance est constante) Cette hypothése peut re testée et quand on a repéré Ihétéroscédasticté (E(E?)=07 pour au moins un 1), on peut corrigeret cbtenir néanmcins de bons estimateurs. 6 Bra (tai ele 4-le Scanné avec CamScanner+ HyE@ te) =0 ¥eee’, les erreurs sont non comélées (ou encore Independaries). Cette hypothése peut elle aussi éte testée, Quand Hy mest pas veriiée, on parle alors «autocorrélation des erreurs. - H:e, 7 N(O,0), tes termes derour suvent une fl normale. Cette hypothise jue un rie essento bien quelle sot file verifier. I exste des tests de normaié (par comple le test de larque-Bera) mais ls ne sont pas applicables su les termes erreurs, ui par deéfntion demeurent incennus. Les hypothéses stochastiques ont pour but de slassurer que les estimateurs des coefficients @, jouissent de propriété statistiques intéressantes, 3.2 Estimation des paramétres par la méthode des moindres carrés ordinaires La méthode des moindres camrés_ordinaires (ciaprés MCO) consiste & minimiser ta somme des cartés des résidus.On démontre que de leslimateur des moindres carrés ordinaires est A= (X'X)"*X'Y La matrice (X'X)"? existe du fait que X est dereng Kk (hypothase H.), Remarque 1.1: estimation des paramétres par la méthode des MCO est effectuée par ordinateur grace & des logiels comme Eviews, Stal, SPSS (Statistical Package Of Social Sciences) ou SAS (Sialisical Analysis System) Exercice application 5 + Solt le modele tnéake simple Y,=BX, +e, Isisn (On suppose que Ia variable aléaioire ©; sult une lol normale centrée et de variance 6? 1) Quelle hypotnese du modéle linéaire simple niest pas vériiée a priori dans cello spécification ? 2) Pouvezous trouver dans la thécrie économique deux exemples od de elles Telations se justfient ” 3) Démonker que Festimateur des mohndres canés ordnaires de Best DL Xi¥s adeleCorrige: 41) ny a pas de terme constant c& . Ou autrement dt, on a supposé une hhypothdse supplémentaire a. = O 2) Une tole relation se justite dans les deux moddles suivants: a) Dans un modele doftre de travail OT, = B Wy + £) 00 OT est fottte de traval et w le sale. Pourun salaie nu, un individu Weffrra pas de traval. ») Dans la fonction de censommation de Miton Friedman,on a C=kY, ov C est la consommation et Yp te revenu. Pourun rvenu permanent (iehesse) nul, inidu ne pourra pas consommer. 3) Nous déterminons Festimateur Ben uliisant deux méthodes (par minimisation de la somme des carrés des erreurs et par caloul matrciel) 2) Par minimisation 7 2 estimator de i est obtenu en minimisant f(8)= ; (Y; ~ BX;) 2H) 9 > - 23 x\(¥, BX) =0 op it (on obtert : Brailes Scanne avec CamScanner) Par calcul matriciel Léerture matridete du modele est: yy ey Yo] _ 82 Y, € Caloulons (X'X)t et X'Y. (On obtient f=(X'x) 'x'y = EL 4.Interprétation économique des paramétres [Nous considérons trois madoles de régression couramment utlisés dans la pratique ‘et donnons interpretation économique des paramatres. 4.1 Modéle sans logarithme Nous considérons le modie Y=aX+b+e. Dans ce cas, le parametre a est une propension marginale. oy a= say-axax oy? 3 Le paramétre b a une signification économique, c'est la valeur deY quand xX =0. Télécharger Scanne avec CamScannerExercice d'application 6: A Taide de 35 observations, on souhalte estimer les paramétres. du modele Cons=aRev + b+ 6, 08 cons est la consommation de Tindividu et Rev son reveru. Les domées sont en francs CFA. Liestimation des paramétres par la méthode des MCO donne: @=085 ; b=12.000. ‘On a une fonction de consommation, & est estimation de la consommation quand le revenu est nul, cest & dire si Rev =0. 6 estdonc Festimation de la consommation incompressible (consommation autonome ou minimum de subsistance). est lestimation do la propension marginale & consommer: 3 Cons = 0,85 x ARey 4 =085 signfie quiune augmentation de 100 000 francs CFA du revenu d'un individu lmplque une augmentation de 85000 francs CFA de sa consommation, 42 Modble loglinéatre Le modéle lo9:inéaie, encore appelé madéle logog ou modle double-og , est denne par log(Y) =alog(X)+b+6 0 log est le logarthme népérion Dans co cas.le paramatre a est une élasticite, Slog ¥) _, OY 4 aX Blox) x fa est lélasticté de Y par rapport a X et le paramatre b n’a pas une signification conomique, Exercice d'application 7 : Les importations du Sénégal (Y) sont mises en relation avecle Prodult Intériour Brut (X) sur la période 1962 1995 log(dMP) = alog( PIB) +b + estimation es paramtes parla méthode des MCO donne: @=0,75 ; 6 = 065. 4 est Festimation de Télastcité des importations par rapport au produit intérieur bru IMP _ 575 2PIB mp rp 4.=0,75 signe quune augmentaion de 10% du PIB implique une augmentation de 7.5% des impotaions. I est & noter que 60.65 n'a pas dintoprétaton économique 20 Malte ttleRemarque 1.2: La_transfomation logarthmigue, donnant leu & un modéle log- linéaire peut etre utisé pour réduire Ihetérocédasticté des erreurs (voir la sous section 7.7). La_réducton de Ihétérocédasticité provient du fait que la transformation logantimique «comprime» les échelles dans lesquelles les varlables sont mesurées. 4.3 Modéle semi logarithmique Le modéle semi logarthmique est domé par log(Y) = aX +5+6 Dans ce cas, le paramétre a est une semi élasticité. Slog") _, oF ax @ est la semi élasticté de Y par rapport 4 X et le paramétre b n'a pas une signification économique. Exercice d’application 8 : Linvestissement (INV) du Sénégal est mis en relation avec le taux d'intérét réel (TXINT) sur la période 1972 4 2001 logdNV) = aTXINT + b+ 6 LLestimation des paramétres par la méthode des MCO donne : =~ 0,06 ; 259 4 est estimation de la semi élasticté de Vinvestissement par rapport au taux dintéret réel. SIN = 0,06 OTXINT IN G=~0,06 signifie quune hausse dutauxdintérét réel d'un point (100%) de3% a 4% par exemple entraine une diminution de 6% de Vinvestissement. Il est & noter que 6 =~ 2,59 n'a pas dinterprétation économique, 5.Théoréme de Gauss et Markov Lestimateur A = (X'X)"1X'Y de a est «BLU» (Best Linear Unbiased) ou le meilleur estimateur lingaire sans bials de a cest-dre que : a) les composantes A,,d,,...,Ay de A sont des fonctions linéaires des ¥,, b) A estunestimateur sans biais de a, 20K) €) ta ation de variances covariances do A ost VGA) Scanné avec CamScanner4) parml ls cctmatours sane bials des composantes AyyAzsamdy de a fonctions lingaires des ¥, es composantes Ay,ds,...Ay de A sont calles dont les variances sont minimum Le théoréme de Gauss et Markov énonce une propriété trés importante des MCO: A donne la meilleure connaissance possible de @ puisquil est sans bials et 4 variance rminimale. Cette propriété est obtenue sous les hypotheses assez peu exigeantes puisqu’on n'a pas formulé d'hypotheése surla (oules lols) sulve(s) par les erreurs Romarque 1.3: Llestimateur des MCO est appolé estimateur de Gauss-Markov. Il fest optimal si les erreurs sont homocédastiques et non corréiées cest & dire si V(e)= 071. Si les erreurs sont homocédastiques eVou non corréiées, estimation des paramétres se falt parla méthode des moindres carrés généraisés (MCG). Considérons le modéle Xa + 6, pour lequal M(e)=Veo"l , stimateur des MCG ou estimateur de Aitken est A=(X"V"X")'X"/-'Y. Lestimateur de Atken ‘généralise donc lestimateur de Gauss et Markov. 6. Equation d'analyse de la varianc t qualité ’un ajustement 6.1 Equation d'analyse de la variance ‘Ayant évalué par la méthode des moindres cartés ordinaires les paramétres du ‘modéle, on cherche & déterminer si le modéle permet de bien expliquer la. variable ‘endogéne. Soit e=¥-T', le vecteur des résidus et Y= XA, le vecteur des valeurs estimées de Y. On démontre que: Lo, -FP=DG, fy +L -7? 7 SCT SCR + SCE Cette égalité est 'équation danalyse de la variance. Cette égalité correspond a ta decomposition de la variance totale (SCT) en variance résidvelle (SCR) et variance cexpliquée (SCE). scr. fariabil totale SCR= Variablite des résidus SCE ariablté expliquée = oe...6.2 Qualité d’un ajustement 6.2.4 Coefficient de détermination ‘Un modele est une représentation simpliiée des déterminants du phénomeéne économique 0,576 = rejet de Thypothése Ho. Le coefficient de conéiation entre X ct Y est signficativement different de 0 au seuil de 5%. On condut donc quil existe tune liaison (inéaire) entre les ventes et les dépenses de publicté. Les ventes sont done liées aux dépenses de public. b) A =0,7079 pour le soul de 1%. 1 =0,906 >0,7079 = relet de thypotnése Hp. Les ventes sont liées aux dépenses de publité. au seullde 1% 4) le test du coefficient de comélation linéaire effectué sur le logkiel Eviews 6 donne les résultats suivants : Included observations: 12 [Correlation Probabilly PUB. [VENTES PUB 1.000 [VENTES: 0.906, 71000 0.0000 | ey Scanné avec CamScanner73 Test de normalité de Jarque-Bora 7.34 Moment centré dordre + ‘On appetie moment centé ordre + (r-0, ta distribution est étalée vers la crote (elle 2 un biais posit. Distribution étalée Distribution symétrique Distribution étalée vers la drolte vers la gauche Scanné avec CamScanner 2»Le coefficient «'aplalissement d'une courbe est caractérisé parla valeur de Kate Ha \' J ob a= (X, - Beate ce maT EC -¥) Si K=3 ia distibution est normale (on dit quelle est mésckurique). Lorsque K <3, ta cistibuton est plus aplatio que Ia detrbuion normale (on at quello ost ‘yponormale ou platykurique), Si K'>3.ladstrbuton présente un exobs de kurtosis Ele est moins apati que la citribution normale (on dit quelle est hypernermale ou leptokurique). aN Distribution platkurique —-—-—Distributlon mésokurtique Distribution leptokurtique 7.32 Test de Jarque-Bera Le test d'hypothdses est le suivant: Hy::la variable X suit une toi normale N(0,0) i: tavariable Xne suit pas une loi normale N(m,c) La statistique de Jarque-Bera est definie par: 2 2 1B 2/6] 24 ou S est le coefficient de dissymétie (Skewness) et K le coefficient d'aplatissement {(Kurtosis). La statistique JB suit sous Thypothése nulle de normalté une loi du Khi- Deux & deux degrés de liberté, La valeur seul A pour 5% est égale 4 5.991. Par conséquent, si la valeur caloulbe de la statistique JB est inférieure A, Ihypothése nulle de normalité n'est pas rejetée, En revanche, si la valeur de JBest supérieure ou égale a A, thypothése nulle denormalité est rejetse. x0 ar eile Scanne avec CamScannerRemarque 1.6: Le test de normalté est utile sur des échantilons de petite dimension mais Test moins sur de grands échantilons od le « théoréme central limite »? ‘applique. Ca test permet notamment de tester Vhypothése de normalté des résidus. Exercice d'application 10: Test de normalité de Jarque-Bera Considérons la série macroéconomique masse monétaire (X) du Sénégal sur_la période 1971-2007 a fréquence annuelle. Les données sont en miliards de FCFA. Tester au seuil de 5% les hypotheses de normalilé et de lognormalté de la variable masse monétaire. Les résultats oblenus pour cette série sont consignés dans le tableau ci-dessous m2, Togim2) Mean 52295 582 Median, 336,52 ‘582 ‘Standard Deviation 497.43 ‘101 ‘Skowness, 1.49, 031 Kurtosis 434 2.66. Jarque-Bera 16.47 ‘O77 Probability, 0.00, 0.68. ‘Observations 37 37 La moyenne et l'écar-ype sont donnés en miliards de francs CFA Corrigé: 41) Variable Masse monétaie Le test dthypothéses est le suivant Hy :X. suit une toi normale N(m,<) Hy:X_ ne sut pas une lo nomale N(m,c) La statistique de Jarque-Bera est definie par: 2 [S oa 0 S est le coefficient de dissymétrie et K le coefficient d'aplatissement. On it dans la table du Khi-Deux a 2 degrés de liberté, au seull de 5%: la valeur seull A=5,991 sare] SBP, Bote" 16,47 24 * Lethon cnt fine dune suite de varies stokes (Xj. 3 4X) nlpendates ele mtn ltd vers une ei nomae ile nanbre bsertons he a %etvet ine lglg sr 430, Les variables st Scanne avec CamScannerJB=1647>5991; on rejtte Iiypothese Hy. La vafable masse monétare ne suit p28 Une lol normale, Remarque 1.7 : la probabiité critque associé au test de normals est nulle Lhypothése nulla est rejetée. La variable masse monétaire ne suit pas une loi normale, 2) Variable log{masse monétaire) Une variable suit une lol lognormale si son logarithme suit une loi normale Le test hypotheses est le suivant Hy slog(X) sut une lol normale N(m, 0) Hy #log(X) ne suit pas une loi normale N(m,) JB=37x Cc say 4 2:66 = 2] on 24 JB=0,77<5991 ; on ne rejette pas Ihypothése Hg. La variable masse monétaire sult_une lol lognonale de moyenne 5,82 milliards de FCFA et décart type 1,01 millard de FOFA, Romarque 1.8: la probabillé critique associée au test de lognormalits est égale 0,68, Lhypothése nule de lognormalté n'est pas rejetée. La variable masse monétaire suit une lol lognormale. Autrement dit, si nous rejetons 'hypothese de lognormalité de la variable masse monétaire, nous aurons 68% de chances de prendre une mauvaise décision. 7.4 Test do Student 7.44 Comparaison d'un paramétre a, & une valeur fixée 0 Le test dtypthases est le suivant: Hy:a,=a cone Ha, 2a Soit ¢ ,récart ype estiné des estimateurs des coefcens de régression La statistique —g— sult sous hypothdse null une foi de Student & (nk) A, dogrés de tberténotée: hu Braltanele 41g Scanné avec CamScanner‘Ondétermine au seuil a, une valeur ertque 1, telle que. Pl ty STy-4 Sta } La ragle de décision est alors la suivante : 2 Fa rnypotnese Hy:a =a est rejetee En pratique, le testle plus ulisé est celui qu consiste @ tester Ihypothese nulle Hy:4;=0 conte rrypotnese atternatve Hyd, #0. 0 sagt du test de signicativte des variables expatves. 7.4.2 Comparaison d'un paramétre a; a la valeur @ =0 ‘Quelles sont, parmi les variables X; choisies, celles qui sont réellement expicatives, ‘calles qui ont une influence significative au seul a. Le test dhypothéses est Ho contre H:a #0.Les décisions associées étant d'exclure ou de conserver la variable X; dans le modéle, Dans ce cas, la régle de decision est 211 ; on rejette Thypothése Hp. Le capital a_un impact post signticatt sur la production b)On veut tester Hy :B; =0 contre Hy: 13,06 ty, = 13,06 > 211 ; on rejette Mypothese Hy.Le travail a un impact posit signifeatf sur la production 4)On veut tester Ho :B2=04 contre Hy :B) #0,4. 1,208 0,048 1,208 < 2,11 ; on nerejette pas Ihypothése Hy: 2 = 0.4 7 Scanné avec CamScannerLeiastcté de a production par rapport au capital est égale & 0.4 5) a) Vintervalle de confiance a 95% de B, est [6 ted, Le niveau de conflance est 1— a. 5%, soit a= 5% Le Student théorique a 5% pour n-k=20-3=17 degés deliberté est t, LLintervalle de confiance est: [0,342- 2,11 x 0,048 50,342 + 2,11 x 0,048 ]=[0,242; 0,442] Lintervalle de contiance n'est pas tes lange, Festmation de fz est prédse On remarque que la valeur 2ér0 n'appartent pas & Tinienale de confiance Lhypothése Hq :B =0 est rejetée.Le capital a un impact posit signifcalf sur la production, On retrouve un résutat oblenu précédemment. b) Liintervalle de confiance a 95% de B; est [Bs tad), § Bs tds, | Lintervalle de confance est: [0.405 - 211% 0.031 ; 0,405 + 211% 0,031 ]=[034; 0,47] Lintevae de confance rest pas rés lage, Testmaton do fy est prédse. On temarque que la valeur zéro n’appartient pas a I'intervalle de confiance. L'hypothese Ho :f3=0 est aussi rejetée. Le travall aun impact posiif sinificatf sur la production, 6) By +By représente les rendements échelle: de combien varie la. production lorsque quin fait varir de la méme fagon tous les inputs ? + Les rendements d'échelle sont décroissanis si By +P3 1, fa production ugmente plus vite que les facteurs de production 38 Waele 46Testor hypothise selon laquelle les rendements échelle conslalés pour cette fenteprise sont constants consiste a tester: Ho :B2 +Bs contre Hy :B2 +B3 #1 Le ratio de Student est égal a 3 0,342 + 0,405 0,0235 = 10,76 (on rejetle hypothése Hy de rendements d'échelle 7.8 Tost de significativité globale d'une régression (Fisher Dans co qui suit, nous allons nous intertoger sur la signification globale du modale de regression, cesi-a-dire sl ensemble des Variables explcalives a une influence sur la variable & expliquer V. Sot le test cThypothéses Hosa. u=0 contre Hy: existe au moins un des coefficients non nul Le modéle a testerest ¥, =a) + ¢,.Pourle test de signif tion globale, on démontre ‘quela stastique de Fisher est égale a F* Pour efectuerl testo sinifeaton global, nous alos compart co F* eae au Fi surla table de Fisher & respectivement (K—1) et (1 ~ k )degrés de tiberte, La rgle de décision est : < Fu, nous ne reetons pas / :e mode nest pas =1"1-R lobalement sigificati au seuil a. 2, , nous reletons Nypothise Hy : le moddle est lobalement significatt au seuil « » Télécharger Scanne avec CamScannerExercice d'application 12: Test de significativité globale de Fisher (On considére la fonction de production de exemple précédent: JogQ,) = Br + Be logiK,) + Bs log.) + & En effectuant la régression par les mohdres canés ondinaires sur la période ‘lobae, on obtient LogQ,, = 1,899 + 0,342 Logk , + 0,405 Logl., (/)= Ecarts types estimés de Festimatour des cootfcients de régression, Toster au soul do 5%, la significatité globale de ce modelo, Corrige: (On veut tester hypothese: Ho : By =Bs =0 contre Hj: il existe aumoins uncoetfident diferent de 0 La stalstque de Fisher est + nck K--R Pour tester Hy, on peut comparer la valeur de F* a la valeur seull donnée par la table de Fisher & respectivement k-1=2 et n—Kk=17 degiés de liberté, Le Fisher théorique & 5% pour (2,17) degrés de liberté est Fiy =3,59. F* = 529,47 > 3,59 => rejet de Ihypothése Ho. On conclut done que le modele est gbobalement signifcatt au seul de 5%. II est prétérable au mode log(Q,) = B+ & -Les facteurs capital et le travail ont globalement un effet signifcatf suria production. 40 Télécharger7.6 Tests d'autocorélation des erreurs 7.64 Définition et causes de l'autocorrélation des erreurs "Nous sommes en présence d'une autocorréation des erreurs lorsque les erreurs son liées par un processus a mémoire, done non indépendantes au cours du temps. Lautocorrélation des erreurs peut étre observée pour plusieurs raisons, |) Llabsence dune ou plusieurs variables explicalves dont Vexpication résiduel permettraitde « blanchir » les erreurs. li) Une mauvaise spécification du model, les relations entre la variable a expliquer et les variables explicatives ne sont pas linéaires et s'expriment sous une autre forme que celle ‘du modéle estimé (logarithms, differences premigres, etc) 7.62 Estimation en présence d'autocorrélation des erreurs En présence d'autocorréation des erreurs, les estimateurs des moindres carrés ordinates sont sans biais maisne sont plis de variance minimale. Dans cette situation, on ullise Ia méthode des moindres carrés généralisés. 7.83 Les tests d'autocorélation des erreurs 7.834 Test de Durbin et Watson (1951) Le test de Durbin et Watson (DW) permet de détecter une autocorrélation des erreurs ordre un selon la forme: = Pht, (A) avec v, > N(0,07) Le test dthypothéses este suivant Hy:p=0 (les erreurs ne sont pas aulocorréiées) contre Hy:p#0 (les erreurs sont autocorrélées) Considérons le modele linéaire général Y = Xa +e, soit e=¥ — XA le résidu caloulé. ‘On suppose que le modBle comporte une constante. La statistique de Durbin et Watson est: (00 ¢; estle résidu calculé au temps t Pour un grand nombre d'observations c'esta- dire quand n tend vers +00, on monte que DIWV=2(I-A) ou A estun cosficient de corréiaion linéaire avec —1< p< 1 a Télécharger Scanne avec CamScannerDe par sa construction, la statistique DW varie entre 0 et 4. Ce qui donne 0< DW <4..11 est intéressant d'avoir en téte approximation DW = 2(1—f) qui permet de se faire lune idée de la valeur de p a pattir de DW. Ainsi,il est probable que p=0 quand DW=2. En revanche, quand la valeur de DW est proche de 0, les erreurs sont probablement autocorrélées, avec un p positf et proche de 1. Quand, a linverse, DW est proche de 4, les erreurs sont vralsembiablement affectées dune forte autocorrélation négative Verons-en maintenant & la procédure du test. Les valeurs critiques du test Durbin et Watson tenant compte du nombre d'observations et du nombre de variables expicatives ont été caleulbes, La lecture de la table de Durbin et Watson permet de déterminer deux valeurs df, = das ot dz =duyy comprises entre 0 et 2 qui déimitent espace entre 0 et 4 selon le schéma c- dessous ay 4-4) 4-4 a KT, p>0 ? p=0 ? p0), les résidus sont autocorélés postivement. + Si 4-4, A)=@ : Doux la valour A quiest tole POX La rele de décsion estia suivante = SiW, = nR2 A , hypothese A dthomocédastit® est rejetée ” Scanné avec CamScanner