Econométrie Burundi Simulation

BURUNDI
ASSISTANCE TECHNIQUE AU MINISTERE DE LA PLANIFICATION, DU DEVELOPPEMENT ET DE LA RECONSTRUCTION NATIONALE EN MODELISATION MACROECONOMIQUE AU BURUNDI
RAPPORT FINAL
VOLUME 1 : RENFORCEMENT DES CAPACITES SUR LES REGRESSIONS, TESTS, SIMULATIONS ET PROJECTIONS DU MODELE INPLABURA SOUS LE LOGICIEL EVIEWS, Y COMPRIS LE CADRE INSTITUTIONNEL
MANUEL DUTILISATEUR
Edouard Nsimba Macroconomiste / Modlisateur
Fvrier 2008 E 1113
92-98, boulevard Victor Hugo - 92115 Clichy Cedex - France Tel: +33 1 41 27 95 95 - Fax: +33 1 47 37 96 20 E-mail: [email protected] - website: www.sofreco.com
Rapport final- volume 1 : Renforcement des capacits, Regressions, Tests, Simulations et Projections du Modle INPLABURA sous le logiciel Eviews, y compris le cadre institutionnel et le Manuel dutilisateur
TABLE DES MATIERES

1 1.1 1.2 1.3 1.4 2 2.1 2.2 CONTEXTE ............................................................................................................... 6 Le renforcement des capacits........................................................................... 7 Mthodologie et droulement des activits de formation................................ 7 Evaluation ........................................................................................................... 10 Conclusions et recomandations....................................................................... 11 BREF RAPPEL DES CONCEPTS DE MODELISATION, ESTIMATION, TESTS ET SIMULATION ........................................................................................ 12 Concepts de modlisation................................................................................. 12 Estimation, tests et simulation ......................................................................... 18
2.3 Tests paramtriques des modles ................................................................... 24 2.3.1 Tests diagnostics sur les termes derreurs ou rsidus .................................. 27 2.3.2 Test de restriction sur les coefficients ........................................................... 37 2.3.3 Test de stabilit ............................................................................................. 39 2.3.4 Analyse des 12 statistiques du tableau des rsultats.................................... 41 2.4 3 3.1 Simulation ........................................................................................................... 45 ESTIMATION DU MODELE LINEAIRE A UNE EQUATION SOUS EVIEWS ........ 53 Spcification et hypothses.............................................................................. 53
3.2 Etapes suivre pour estimer le modle avec Eviews .................................... 53 3.2.1 Saisie de donnes sous Excel (feuilles dentre) .......................................... 54 3.2.2 Importation des donnes ............................................................................... 54 3.2.3 Estimation sous Eviews................................................................................. 57 3.3 Tests sur le modle............................................................................................ 60 3.3.1 Tests diagnostics sur les termes derreurs .................................................... 60 3.3.2 Estimation en prsence dauto corrlation des erreurs ................................. 66 3.4 Tests de restrictions sur les coefficients......................................................... 67 3.4.1 Test de significativit globale (test de Fisher) ............................................... 67 3.4.2 Test de significativit des coefficients individuels (test de Student) .............. 67
Fvrier 2008 E-1113
3.5 Tests de stabilit ................................................................................................ 68 3.5.1 Tests de Chow .............................................................................................. 68 3.5.2 Test CUSUM ................................................................................................. 69 4 4.1 RENFORCEMENT DES CAPACITS : MODELE A SIX EQUATIONS (MODLE DE LAWRENCE KLEIN)........................................................................ 71 Saisie, importation et estimations du modle ................................................. 73
4.2 Ecriture globale et rsolution du modle sous Eviews .................................. 73 4.2.1 Insertion des fonctions de comportement et des quations comptables....... 74 4.2.2 Choix de simulation et de lalgorithme........................................................... 75 4.3 4.4 Elaboration des scnarios et projections ........................................................ 78 Exportation des rsultats, des simulations et projections dEviews vers Excel (feuilles de sortie) .................................................................................... 83 MISE A JOUR DU MODELE ................................................................................... 85 TRAITEMENT INFORMATIQUE DU MODELE INPLABURA ................................ 86 Construction de la base des donnes.............................................................. 87
5 6 6.1
6.2 Estimation des fonctions de comportement ................................................... 93 6.2.1 Saisie des donnes sous Excel (feuilles dentre) ........................................ 93 6.2.2 Importation des donnes ............................................................................... 94 6.2.3 Estimations .................................................................................................... 97 6.3 Module I : Ressources ou offres de biens et services.................................... 98 6.3.1 Fonction de comportement PIB_AGRIV (EQ1 : agriculture vivrire)............. 98 6.4 Tests sur la fonction PIB_AGRIV.................................................................... 101 6.4.1 Tests diagnostics sur les termes derreurs .................................................. 101 6.5 Module II : Emplois ou demande finale des biens et services..................... 122 6.5.1 Fonction de comportement : consommation publique, prix constant (EQ46) ......................................................................................................... 122 6.5.2 Fonction de comportement: consommation priv, prix constant (EQ47)..... 128 6.6 Module III: Prix relatifs, dflateurs implicites et indices des prix................ 135 6.6.1 Fonction de comportement : dflateur implicite du PIB au prix du march (EQ54) ......................................................................................................... 135 6.6.2 Fonction de comportement: Taux de change (EQ56) ................................. 142 6.7 Module V: Finances publiques........................................................................ 148 6.7.1 Fonction de comportement : total recettes courantes (EQ81)..................... 148 6.7.2 Fonction de comportement : total dpenses sur biens et services (EQ82) . 154
Fvrier 2008 E-1113
6.8 Module VI : Situation montaire...................................................................... 160 6.8.1 Fonction de comportement : demande de monnaie (EQ126) ..................... 160 6.8.2 Fonction de comportement : offre de monnaie (EQ127) ............................. 165 6.9 Module IX: Secteur social................................................................................ 171 6.9.1 Fonction de comportement : Pauvret (EQS1) ........................................... 171 6.9.2 Fonction de comportement : Education (EQS2).......................................... 177 6.9.3 Fonction de comportement : Sant (EQS3) ................................................ 183 6.10 Ecriture globale et rsolution dINPLABURA sous EViews ......................... 189 6.10.1 Insertion des fonctions de comportement et des quations comptables..... 190 6.10.2 Choix de simulation et de lalgorithme......................................................... 192 6.10.3 Elaboration des scnarios et projections..................................................... 194 6.10.4 Analyse des politiques dimpact .................................................................. 196 6.11 Cadre institutionnel.......................................................................................... 199 .................................................................................................................... 191
Annexes
Fvrier 2008 E-1113
ABREVIATIONS
BM : BRB : CI : CSPL : EGC : FMI : INPLABU : INPLABURA : ISTEEBU : MINIFIN : MFECD : MPDRN : OMD : PIB : PIP : RNB : RNDB : PAGE : SOFRECO : SP/REFES : TEE : TES : VEC : Banque Mondiale Banque de la Rpublique du Burundi Couverture dImportation Cadre Stratgique de Lutte Contre le Pauvret Modle dEquilibre Gnral Calculable Fond Montaire International Systme dinformation et de planification du Burundi INPLABU rnov et amnag Institut de la Statistique Ex-Ministre des Finances Ministre des Finances, de l'Economie et de la Coopration au Dveloppement Ministre de la Planification du Dveloppement et de la Reconstruction Nationale Objectifs du Millnaire pour le Dveloppement Produit Intrieur Brut Programme dInvestissements Publics Revenu National Brut Revenu National Disponible Brut Projet dAppui a la Gestion Economique Socit Franaise de Ralisation, dEtudes et de Conseil Secrtariat Permanent de Suivi des Reformes Economiques et Sociales Tableau Economique dEnsemble Tableaux dEntre-Sortie Modle Vectoriel Correction dErreurs
Fvrier 2008 E-1113
CONTEXTE Un contrat a t sign entre le Projet dAppui la gestion Economique (PAGE) du Burundi et la Socit Franaise de Ralisation, dEtudes et de Conseil (SOFRECO) pour la mise disposition dune Assistance Technique de 6,3 hommes/mois auprs du Ministre de la Planification du Dveloppement et de la Reconstruction Nationale (MPDRN) intitule Assistance Technique au Ministre de la Planification du Dveloppement et de la Reconstruction Nationale en Modlisation Macroconomique au Burundi . LAssistance Technique a t organise en trois phases :
Pendant la premire phase en fvrier 2007, ltat des lieux du modle existant a t effectu et le rapport diagnostic intitul Assistance Technique au Ministre de la Planification du Dveloppement et de la Reconstruction Nationale en Modlisation Macroconomique au Burundi a t soumis au PAGE et au MPDRN et approuv ; Pendant la deuxime phase de la mission (avril 2007 juin 2007) une analyse approfondie du modle a t effectue ainsi quun renforcement des capacits des cadres de service de planification macroconomique et dautres institutions et organisations sur la conception (spcification) du modle INPLABURA. Deux rapports ont t soumis au PAGE en juillet 2007: - Rapport sur la formation des cadres lutilisation du modle propos : Modle dinformation et de planification du Burundi rnov et amnag (INPLABURA) ; - Rapport sur le modle de planification macroconomique du Burundi rnov et amnag (INPLABURA) : Spcification et Concepts ; La troisime et dernire phase du projet a eu lieu du 16 septembre 2007 au 16 dcembre 2007. Le rapport final restitue les nombreux ateliers de formation auxquels 21 cadres de lquipe de contre-partie ont t forms et les activits et produits du projet. Ce rapport est surtout un Manuel dUtilisateur dtaill du modle INPLABURA au Burundi. Le rapport final du projet a t soumis au PAGE en mars 2008 : - Rapport final, volume 1 : Rapport sur le renforcement des capacits sur les regressions, tests, simulations et projections du modle inplabura sous le logiciel Eviews, y compris le cadre institutionnel Manuel dUtilisateur ; - Rapport final, volume 2 : Stratgie pour la production rgulire de l Economie Burundaise et des notes de conjoncture .
Fvrier 2008 E-1113
1.1
Le renforcement des capacits Lobjectif principal de la troisime phase tait de doter les 21 cadres des outils ncessaires pour le traitement informatique du modle INPLABURA. Le prsent rapport restitue les Sessions de formation et a un triple objectif : Servir de rfrence de base aux utilisateurs effectifs, c'est a dire, ceux qui ont particip aux ateliers de formation dEviews ; Servir de rfrence pour tous les utilisateurs potentiels qui n'ont pas pu suivre la formation EViews, par manque de temps ou pour des problmes de duplication d'horaire ; Prenniser la mmoire institutionnelle pour viter les erreurs du pass. Ds son arrive Bujumbura lors de cette dernire mission, lexpert SOFRECO a prpar un rapport qui incluait lanalyse des besoins en matire de formation ainsi quun plan global de renforcement des capacits des cadres pour la troisime phase du projet. Ce rapport : Programme de formation et calendrier dexcution a t valid le 25 septembre 2007 au cours dune runion, laquelle ont particip les cadres de lquipe contre-partie locale (voir en annexe le compte rendu de la runion de lquipe de mise en place du modle INPLABURA). A cette occasion, un comit de supervision a t tabli. Ce comit tait compos de Messieurs : Emile SINZUMUSI, Directeur Gnral de la Planification et de la Prospective, Faustin HABIMANA, Directeur de la Planification Centrale, Tharcisse YAMUREMYE, Expert Macro conomiste au PAGE et Edouard NSIMBA, Expert en Modlisation de SOFRECO.
1.2
Mthodologie et droulement des activits de formation La formation des cadres sest faite autour des trois modles : modle une quation, modle six quations et modle INPLABURA. Outre un rappel des notions de comptabilit nationale, de concepts macroconomiques, des thories de relations conomiques internationales et des notions des statistiques et des mathmatiques, les 21 sessions de formation se sont focalises sur le traitement informatique de ces modles et leur rsolution. Pour le modle six quations, la formation sest articule autour des tches suivantes :

Saisie des donnes statistiques sur Excel (feuilles dentres) Etape destimation : - Importation des donnes par EViews (depuis Excel) - Estimation des fonctions de comportement - Application des diffrents tests, interprtation et analyse
Fvrier 2008 E-1113
Ecriture de rsolution globale du modle : - Insertion des quations comptables - Choix du type de simulation - Choix de lalgorithme de rsolution - Test de convergence ou validation du modle Critres dvaluation du modle Mthode de projection - Choix de projection : statique ou dynamique - Choix de la priode de projection ou prvisions - Traitement des variables exognes Elaboration des scnarios - Scnario central ou solution de base ( base line solution ) - Scnario alternatif I - Scnario alternatif II - Scnario alternatif III - Scnario alternatif IV Contrle des rsultats et en assurer la cohrence (introduction des variables de contrle) Exportation des rsultats de simulation et projections dEViews vers Excel (feuilles de sortie) Construction des tableaux sous Excel Analyse des politiques dimpacts Mise jour du modle.
Les sances de formation pour le modle INPLABURA ont t conues autour des 9 modules qui constituent le modle : MODULE I : Ressources ou production des biens et services MODULE II : Emplois des ressources ou demande finale des biens et services MODULE III : Prix relatifs, dflateurs implicites et indice des diffrents prix MODULE IV : Marche du travail, emploi, chmage MODULE V: Finances publiques MODULE VI: Situation montaire MODULE VII : Balance des paiements MODULE VIII : Gestion de la dette extrieure MODULE IX : Secteur social : pauvret, ducation et sant Les diffrentes tches ont t accomplies : Construction de la base ou banque des donnes statistiques Saisie des donnes sur Excel (feuilles dentres)
Fvrier 2008 E-1113
Etape destimation : - Importation de la base des donnes par EViews (depuis Excel) - Estimation des fonctions de comportement Ecriture de rsolution globale du modle : - Insertion des quations comptables - Choix du type de simulation - Choix de lalgorithme de rsolution Test de convergence ou validation du modle
Le programme de formation et le renforcement des capacits a dbut le 25 octobre pour sachever le 23 novembre 207. Il y a eu au total 21 sessions ; une session par jour ouvrable, hauteur de 2h00. Tous les ateliers de formation ont eu lieu KU KAYANGE, KININDO. La formation tait oriente vers la pratique, avec lutilisation intense des ordinateurs avec la collaboration de PAGE qui a fourni lquipement lectronique et quelques ordinateurs quips de logiciel EViews. Trois supports didactiques ont t mis disposition pour les sessions de formation, savoir: Introduction au Logiciel EViews, Economtrie applique et gestion de modles par KEHO Yaya, enseignant lENSEA dAbidjan, Cte DIvoire ; Rapport sur la formation des cadres lutilisation du modle propos : modle dInformation et de Planification du Burundi Rnov et Amnag (INPLABURA), Juillet 2007; Programme de formation et calendrier dexcution. Le rapport contient des photos numriques. Ces photos sont accompagnes par des paragraphes qui expliquent les commandes dexcution, interprtations et analyses des rsultats, qui peuvent aider lutilisateur effectif ou potentiel. KEHO Yaya sest occup de la formation des cadres sur EViews. Lexpert de SOFRECO sest concentr sur linterprtation et les analyses des rsultats au niveau macroconomique. Au dbut de chaque session de formation, lexpert de SOFRECO dsignait un participant ou une participante pour rdiger le procs-verbal de la session. Le lendemain, le participant prsentait son travail et rpondait aux questions. Les procs-verbaux prpars par les participants sont attaches en annexe de ce rapport. Il est conseill aux utilisateurs effectifs (les 21 cadres qui ont suivi la formation) et aux utilisateurs potentiels, de lire le chapitre dintroduction de ce rapport (Bref rappel des concepts de modlisation, estimation, tests et simulation). Ce chapitre traite les sujets qui nont pas t suffisamment labors et dautres qui nont pas t abords pendant les sessions de formation. 9
Fvrier 2008 E-1113
Par exemple, un survol thorique sur les diffrents modles et des tests statistiques qui peuvent tre dune grande utilit : les tests Breush-Pagan, Goldfeld-Quandt, Harvey, Glesjer, Ramsey, ARCH, Wald, Box-Pierce et le test du rapport de vraisemblance gnralis (RVG). Lorsquon estime des fonctions de comportement sous EViews, pour chaque quation, EViews fourni un tableau de 12 statistiques : R-squared , Adjusted R-squared , S.E. of regression , Sum of squared resid , Log likelihood , Durbin-Watson stat , Mean dependent var , S.D. dependent var , Akaike info criterion , Schwarz criterion , F-statistic et Prob (F-statistic) . Afin de juger la qualit et la performance de chaque fonction de comportement, il est ncessaire dinterprter et danalyser ces 12 statistiques (voir section : Analyse des 12 statistiques du tableau des rsultats ). 1.3 Evaluation Les 21 cadres qui ont particips aux ateliers de formation taient repartis en cinq groupes. Chaque groupe a travaill dune manire indpendante. Chaque groupe sest occup sans beaucoup des difficults des trois modles. Le groupe I a procd par programme et les quatre autres quipes ont utilis lapproche par menu. Les cinq groupes ont avanc des estimations et effectu tous les tests (tests diagnostic sur les rsidus, de restriction sur les coefficients et tests de stabilit) du modle linaire simple. Ensuite, avec les bases ainsi acquises- ils se sont attaqus au modle six quations. Ils ont effectu toutes les tches : saisie des donnes sous le logiciel Excel, importation des donnes par EViews, estimations, tests, simulation, laboration des scnarios, projections, exportation des rsultats vers Excel, analyse des politiques dimpact et mise jour du modle. Les cinq quipes ont russi la convergence du modle six quations. Les cinq groupes ont galement travaill sur le modle INPLABURA. Ils ont accompli la plupart des tches. Malgr la taille du modle INPLABURA, les cinq quipes les unes aprs les autres et dune manire indpendante ont russi la convergence du modle INPLABURA. Ceci veut dire que la solution mathmatique du modle existe, sa cohrence interne est confirme et sa validit globale est vrifie.
Fvrier 2008 E-1113
10
1.4
Conclusions et recomandations Lquipe actuelle de modlisation, devrait tre maintenue et soutenue (voir section Cadre Institutionnel). Une fois que le parachvement du modle INPLABURA est fait, lquipe pourra grer le modle sans grande difficult. Il est recommand, daccomplir les tches qui restent encore faire, pour rendre le modle INPLABURA oprationnel. Comme le modle INPLABURA a dj converg, les ateliers de formation lavenir devraient se concentrer sur les activits suivantes : Application des diffrents tests (test diagnostic sur les rsidus, test de restriction sur les coefficients et test de stabilit), interprtation et analyse Critres dvaluation du modle Mthode de projection Choix de projection : statique ou dynamique Choix de la priode de projection ou prvisions Traitement des variables exognes Elaboration des scnarios : - Scnario central ou solution de base (base line solution) - Scnario alternatif I - Scnario alternatif II Contrle des rsultats et assurer la cohrence des prvisions (introduction des variables de contrle) Exportation des rsultats de simulation et projections dEViews vers Excel Construction des tableaux sous Excel (feuilles de sortie) Analyse des politiques dimpacts Inclusion ou limination dune ou plusieurs quations dans le programme de rsolution Mise jour du modle.
Fvrier 2008 E-1113
11
BREF RAPPEL DES CONCEPTS DE MODELISATION, ESTIMATION, TESTS ET SIMULATION Nous allons aborder, divers concepts relatifs la modlisation, estimation et simulation. En ce qui concerne la section consacre lestimation, vous retrouverez des tests que vous avez appliqus lors des ateliers de formation. Cependant, il y a aussi des tests que vous navez pas utiliss: le test de Breusch-Pagan, Goldfred-Quandt, Harvey, Glesjer, Ramsey, ARCH, Box-Pierce et le test du rapport de vraisemblance gnralis (RVG).
2.1
Concepts de modlisation Cette section a pour but de faire un bref rappel des concepts courants, souvent utiliss dans la littrature empirique de modlisation. On y trouve des concepts comme modle linaire (la variation de la variable dpendante est proportionnelle la variation de la variable explicative), modle log-linaire (le taux de variation de la variable dpendante est proportionnel au taux de variation de la variable explicative), modle exponentiel (le taux de variation de la variable dpendante est proportionnel la variation de la variable explicative), modle logarithmique (la variation de la variable dpendante est proportionnelle au taux de variation de la variable explicative), modle nonlinaire, modle une quation, modle quations multiples, modle quations simultanes, modle quations rcursifs, modle auto rgressif (AR), modle moyenne mobile (MA), modle ARMA (mobile auto rgressif), modle ARIMA (moyenne mobile auto rgressif intgr), modle uni vari (cest--dire, dcrivant les variables une par une, indpendamment de leur interaction), modle multivari (prise en compte de problmes de simultanit et de linterdpendance des variables), modle vectoriel auto rgressif (VAR), modle vectoriel correction derreurs (VEC), modle ARCH (htroscdasticit conditionnelle auto rgressif), modle retards infinis, modle dcalage gomtriques, modle quadratique, modle canonique, modle dquilibre gnral calculable (EGC), tableaux dentre-sortie (TES), modle statique, modle dynamique, modle dynamique linaire baysien, les modles de donnes de panel (modle effets fixes individuels, modle effets alatoires individuels). Il faut ajouter les modles variables qualitatives binaires et les modles variables dpendantes limites, notamment les modles PROBIT, LOGIT et TOBIT. On trouve aussi des concepts tels que la simulation statique, la simulation dynamique, la simulation dterministe et la simulation stochastique. Pour chaque type de modle correspondent des tests statistiques appropris, des mthodes destimation et des choix de simulations avec des algorithmes outills rsoudre mathmatiquement les modles.

Equation 1: Ct = + Yt Equation 2: Ct = 0 + 1Yt + 2 Pri Xt + 3 Ct-1
Fvrier 2008 E-1113
Rapport dfinitif : Renforcement des capacits, Regressions, Tests, Simulations et Projections du Modle INPLABURA sous le logiciel Eviews, y compris le cadre institutionnel et le Manuel dutilisateur
Lquation (1) est un modle linaire simple et lquation (2) est un modle linaire auto rgressif. Dans tout travail de modlisation, la premire tape est la spcification du modle. Le modle (1) sinspire de la thorie de la demande qui tablit une relation linaire entre la variable explique ou dpendante C et la variable explicative ou indpendante Y. La deuxime tape est la collecte des donnes statistiques. Les donnes statistiques en modlisation peuvent tre regroupes en trois catgories : sries temporelles ou longitudinales (annuelles, trimestrielles, mensuelles), donnes en coupe instantane ou transversales et donnes double indice ou de panel. Pour le modle (1), on peut collecter des donnes statistiques sur la consommation (C) et sur le revenu (Y). La troisime tape est lestimation. Les paramtres et nont pas de donnes observables. Puisque les donnes statistiques de ces deux paramtres nexistent pas, nous devons donc estimer leurs valeurs. Pour ce faire nous devons nous assurer de la mthode destimation. Une fois que la fonction de comportement du modle est estime, il faut procder des tests pour vrifier si les hypothses qui sous-tendent la rgression sont respectes (voir section : Tests paramtriques des modles). Il y a des modles non-linaires qui sont linarisables et dautres pas. Par exemple, INPLABURA est un modle non-linaire cause de la prsence de la fonction de production Cobb-Douglas (les fonctions de production du module I). Equation 3 : Qt = AK L Toutefois, les proprits mathmatiques de Cobb-Douglas ont permis ce que le modle INPLABURA soit transform dans un modle linaire grce notamment lutilisation des logarithmes (pour des informations plus dtailles sur la fonction Cobb-Douglas, voir Rapport sur la formation des cadres lutilisation du modle propos : modle dInformation et de Planification du Burundi Rnov et Amnag (INPLABURA), Juillet 2007, E1113, SOFRECO, pages 24-25). Une fois INPLABURA linairis , on peut estimer les fonctions de comportement par la mthode des moindres carrs ordinaires (MCO) et appliquer les diffrents tests lis aux modles linaires (voir section : Traitement informatique du modle INPLABURA). Et si INPLABURA avait la fonction de production Elasticit de Substitution Constante (ESC) ? Equation 4 : Q= 1 (2 K3 + (1-2)4
Fvrier 2008 E-1113
13
Mme en recourant aux transformations logarithmiques, il serait impossible de linairiser la fonction de production ESC (quation 4). Tout modle qui a comme fonction de production ESC nest pas linairisable . Dans ce cas, les MCO et les tests statistiques utiliss deviennent inappropris et il faut recourir des mthodes destimation et tests non-linaires. Un modle peut tre statique ou dynamique. Llment temps aide distinguer le modle statique et dynamique. Dans un modle statique, les variables explicatives sont figes dans le temps : Yt=f(Xt), la variable dpendante Y au temps t est explique par la variable indpendante X au temps t. Un modle statique suppose une conomie au comportement fig et rptitif, ou voluant dune manire linaire facilement prvisible. Par contraste, quand on a une ou plusieurs variables explicatives retardes dans une quation, on dduit quon est en prsence dun modle dynamique. Par exemple: Yt=f(Xt-1) ; Y au temps t dpend de la valeur prcdente de la variable explicative X. Un modle dynamique est capable de capturer lvolution socio-conomique dans le temps. Il est ouvert a tous les scnarios dvolution, y compris les scnarios de rupture. Llment temps aide aussi reprer un modle auto-rgressif (AR). Mais ici, cest la variable dpendante ou explique qui figure aussi la droite de lquation avec des valeurs (donnes statistiques) retardes dune ou plusieurs priodes. Par exemple : Yt=f(Xt,Yt-1). Il y a cinq sortes des modles dynamiques : 1) le modle structurel variables explicatives retardes, 2) le modle auto-rgressif (AR), 3) le modle des moyennes mobiles (MA, particularit : les rsidus des priodes prcdentes sont inclus dans le modle), 4) le modle ARMA, et 5) le modle ARIMA. Il y a aussi le modle VAR (vectoriel auto-rgressif) qui est en fait un modle AR mais gnralis au cas multivari. Le modle ARMA (modle de moyenne mobile auto rgressif) est la synthse des modles AR et MA. Le modle ARIMA (moyenne mobile auto-rgressif intgr) est une extension du modle ARMA. Les modles MA, ARMA, ARIMA ont t labors dans les annes 70s, suite la dception occasionne par les erreurs des prvisions des modles structurels (modle comportant des fonctions des comportements et quations comptables, reposant sur une ou plusieurs thories conomiques, capable dexpliquer les relations entre les variables dpendantes et indpendantes et de faire des simulations et prvisions/projections). Les modles structurels dinspiration Keynsienne non pas prvu le premier choc ptrolier en 1973.
Fvrier 2008 E-1113
14
La forte augmentation des prix du ptrole (en provenance de loffre) cassa le triptyque sur lequel reposaient les conomies occidentales : forte croissance, stabilit des prix et quilibre interne (budget) et externe (balance des paiements). Les modles structurels, dont la quasi-majorit sont des modles de demande, non pas pu annoncer le choc ptrolier (un choc de loffre globale) qui a branl les conomies occidentales et a prcipit les pays industrialiss dans la stagflation conomique, avec comme consquence la monte du chmage et linflation (pour plus des dtails, voir le Rapport sur la formation des cadres lutilisation du modle propos : modle dInformation et de Planification du Burundi Rnov et Amnag (INPLABURA), Juillet 2007, E1113, SOFRECO, pages 107-109). En 1970 Box et Jenkins publirent un ouvrage contenant la construction du modle ARMA, qui a t une rvolution en soi. Il ne sagit plus de construire un modle reposant sur une spcification qui rationalise et explique les relations de causalit entre les variables expliques et explicatives. Lapproche de Box et Jenkins est simple : on fait des prvisions non pas avec un modle structurel (on tablit une relation de causalit entre la variable dpendante et variables indpendantes, puis on fait des projections partir des tendances passes) mais plutt on projette la variable dpendante en se basant sur sa srie temporelle (la srie temporelle dsigne la fois les sries relles chronologiques et ltude de lvolution dune ou des variables alatoires indices par le temps et qui sert modliser ces premires) et en utilisant les proprits statistiques de la dite srie (moyenne, variance, covariance, etc). Par exemple, pour faire des prvisions sur la consommation, ARMA ne sappuie pas sur une thorie conomique. ARMA utilise les proprits statistiques de la srie temporelle de la variable consommation et introduit comme variable indpendante la consommation retarde dune ou plusieurs priodes (ce qui confre le caractre auto rgressif et dynamique au modle) et des chocs alatoires en gnral- de moyenne nulle, de variance constante et non auto-corrls. Quand la variable qui capte ces chocs alatoires est retarde, on est en face dun modle de moyenne mobile. Il y a une diffrence entre le modle ARMA et ARIMA. Le modle ARMA peut utiliser seulement des sries stationnaires (des moments du premier ordre qui sont invariants au cours du temps). Alors que le modle ARIMA est apte dutiliser les sries non stationnaires aprs avoir dtermin le niveau dintgration (le nombre de fois qu'il faut diffrencier la srie avant de la rendre stationnaire). Les modles ARMA et ARIMA ont t trs populaires cause de la qualit de leurs prvisions. Toutefois, ces modles souffrent de deux limitations : ils sont capables de ne traiter quune seule variable et sont inaptes pour lanalyse des politiques dimpact.
Fvrier 2008 E-1113
15
Contrairement aux modles structurels, les modles ARMA et ARIMA ne sont pas capables de rpondre une question du genre : quel est lincidence de laugmentation du prix du ptrole (IP_PETRO) sur la croissance conomique du Burundi (PIB_M) ? Ou sur la balance des paiements (BALRES) ? Ou encore sur la consommation prive, cest--dire sur les mnages burundais (CP_CS) ? Pour palier un tel manquement, Sims a propos en 1980 le modle VAR qui permet de traiter plusieurs variables la fois. Cependant le modle VAR est diffrent des modles structurels. Dabord, le modle VAR ne comporte que des variables endognes (il ny a pas des variables exognes). Ensuite, le modle VAR (tout comme les modles ARMA et ARIMA) ne repose sur aucune thorie conomique. En outre, les modles ARIMA et VAR ne peuvent capturer que des phnomnes linaires. Or certains agrgats macroconomiques sont lis par des relations non-linaires. Toutefois, linhabilit du modle VAR de capturer et dexpliquer la dynamique conomique a suscit beaucoup du scepticisme de la part du monde acadmique, des institutions de modlisation nationales et internationales ainsi que des conomtres praticiens, qui ont soulign le manque dutilit pratique de ces modles. Pour rendre le modle VAR plus acceptable et utile, Blanchard et Watson (1986) et Bernanke et Sims (1986) ont construit une nouvelle gnration de modles : le modle vectoriel auto rgressif structurel (VARS). Le modle VARS est la combinaison des modles structurels et VAR. La grande innovation de VARS est lintroduction de la fonction de rponse aux chocs (FRC) et de la dcomposition de la variance de lerreur de prvision (DVEP). La FRC et la DVEP grce leurs mcanismes de transmission des chocs asymtriques et symtriques ont rhabilit et ont contribu fortement la conscration des modles VAR structurels qui sont de nos jours utiliss pour lanalyse des chocs extrieurs et intrieurs (simulation et analyse des politiques dimpact) sur les conomies nationales. Diverses institutions (universits, banques centrales, ministre des finances et de lconomie, ministre du plan, organisations internationales, bureaux dtudes et de recherche, etc.) utilisent ces modles, pour quantifier et analyser les incidences des chocs extrieurs et intrieurs sur lconomie dun pays (variation du taux de change, dtrioration des termes de lchange, augmentation du prix de ptrole, hausse nonanticipe du taux dintrts domestique, scheresse, baisse drastique des mouvements des capitaux, etc). La contribution de Robert F. Engle (prix Nobel dconomie en 2003, cause de sa grande contribution la fiabilit des prvisions conomiques) a t dterminante car il a dvelopp le modle ARCH (htroscdasticit conditionnelle auto rgressif) en 1982, dans lequel il a tenu compte des phnomnes linaires et non-linaires des processus stochastiques temporels.
Fvrier 2008 E-1113
16
Le modle ARCH a apport deux innovations majeures : la prise en compte des phnomnes de forte volatilit qui entache quelques sries temporelles (par exemple les sries financires) et lincorporation des variances conditionnelles dpendant du temps, qui aide capturer la volatilit (variabilit instantane mesure par la variance conditionnelle) des sries. Le principe est de remettre en cause lhypothse dhomoscdasticit quon trouve dans le modle linaire (la variance des rsidus ou termes derreur est constante). La contribution dEngle dpasse de loin, le dbat sur la reprsentation linaire ou non-linaire des processus stochastiques temporels. Comme lindiquent Berra et Higins (1993) le modle ARCH et ses extensions correspond une (i) reprsentation spcifique de la non-linarit ; (ii) qui permet une modlisation simple de lincertitude. Le message est simple : au lieu de faire des projections partir de variables exognes comme dans les modles structurels, il est possible de faire de projections en tenant compte de la volatilit (source de lincertitude) partir des sries temporelles qui rsultent des relations non-linaires des agrgats conomiques. Comme lindique Engle : lamlioration des prvisions issues de modles de sries temporelles provient clairement de lexploitation de linformation contenue dans lesprance conditionnelle du processus . Rappelons que quelques conomtres/modlisateurs se sont penchs sur les processus non-linaires en utilisant la moyenne (pas la variance), pour construire des modles ARMA non-linaires, susceptibles dapprhender les mcanismes dasymtrie et de seuil. Les plus connus de ces modles sont : le modle bilinaire (ce modle a une particularit singulire : il est la fois linaire en Yt et t (terme-derreur ou rsidu) et non-linaire quand Yt et t sont pris ensembles), modle exponentiel auto rgressif (EXPAR, une extension de VAR qui prend en compte la volatilit de la srie temporelle) et les modles auto rgressifs seuils (TAR, SETAR, STAR, ESTAR, LSTAR, MSTAR, MA asymtriques), modle MA non-linaire. Les modles auto rgressifs seuil constituent lune des spcifications possibles de la grande famille des modles non-linaires, appels modles rgime (Hurlin 2004). Lide consiste postuler lexistence de plusieurs dynamiques pour une mme srie (plusieurs rgimes) et spcifier un mcanisme de transition dun rgime lautre (mcanisme de transition stochastique et exogne du type chane de Markov ou mcanisme de transition endogne avec la fonction de transition dpendant de la variable explique et dun seuil). Lapproche du modle ARCH et de ses extensions sappuie sur les processus non-linaires qui utilisent la variance (pas la moyenne). La reprsentation de la variance conditionnellement son information passe, permet de tenir compte des phnomnes de volatilit (Hurlin 2004).
Fvrier 2008 E-1113
17
Il y a deux classes des modles ARCH : linaire et non-linaire. Le modle ARCH linaire repose sur une spcification quadratique de la variance conditionnelle des perturbations : ARCH, GARCH (modle dhtroscdasticit conditionnelle auto rgressif gnralis), IGARCH. Le modle ARCH nonlinaire est caractris par une spcification asymtrique des perturbations. Ce sont des modles EGARCH, TARCH, TGARCH. 2.2 Estimation, tests et simulation Il y a plusieurs mthodes destimation. Les plus connues et utilises sont : les moindres carrs ordinaires (MCO), les moindres carrs pondrs (MCP), les moindres carrs contraints (MCC), les doubles moindres carrs (DMC), les triples moindres carrs (TMC), les triples moindres carrs itrs (TMCI), les moindres carrs gnraliss (MCG), les moindres carrs quasi gnraliss (MCQG), les moindres carrs gnraliss ralisables (MCGR), les moindres carrs multivaris (MCM), la mthode du maximum de vraisemblance (MV), la mthode du maximum de vraisemblance information limite (MVIL), la mthode Johansen, la mthode destimation des variables instrumentalises (MEVI) et la mthode de Monte Carlo (MMC). Quelque soit le modle quon construit et quelque soit le pays ou on se trouve (pays dvelopps, pays en dveloppement, pays mergents), le modlisateur est confront deux risques majeurs : lerreur de mesure lie la mauvaise qualit et linsuffisance des donnes statistiques lerreur de spcification du modle. Lerreur de mesure quand elle est grande- remet en cause la crdibilit du modle et la fiabilit de ses projections et de ses analyses. La raison est simple : les estimateurs des paramtres ou coefficients des fonctions de comportement obtenus par la rgression- sont fallacieux, parce quils ne remplissent pas les conditions requises. Lerreur de mesure existe dans tous les pays mais elle est plus leve dans les pays en dveloppement. La disponibilit des donnes statistiques est un rel dfi pour lconomtre/modlisateur. Souvent les sries sont courtes et inconsistantes. Ceci impose beaucoup des contraintes pour la construction des modles conomtriques (fonctions de comportement et quations comptables). Dabord, le modlisateur doit limiter la longueur des lags des variables dans le modle (souvent il faut limiter la dure des lags 2 ans pour le modle annuel). Ceci savre ncessaire pour prserver le degr de libert. La structure des lags aide analyser et valuer la dynamique des coefficients ou paramtres estims du modle. Ensuite, la taille de lchantillon (nombre dobservations ou de donnes statistiques dune population) souvent petite- empche lutilisation de mthodes destimation sophistiques, qui imposent des degrs de libert beaucoup plus grands.
Fvrier 2008 E-1113
18
On a trois sortes de degr de libert : (i) le degr de libert de la variance totale est gal au nombre dobservations moins 1 ; (ii) celui du modle correspond au nombre de variables explicatives moins 1 en incluant la constante et (iii) le degr de libert des rsidus se calcule par la diffrence des deux (variance et modle). Lerreur de spcification peut conduire au problme dauto corrlation, qui rduit la fiabilit des estimateurs. Lerreur de spcification est perceptible quand le modle ne reflte pas correctement (i) la relation entre la variable dpendante ( expliquer) et la ou les variables explicatives ; (ii) la transformation ou changement structurel de lconomie (sil nest pas pris en compte, rend les coefficients estims instables et amplifie souvent lerreur de mesure) ; (iii) la Comptabilit Nationale et dautres comptes (balance des paiements, finances publiques, situation montaire) du pays concern ; (iv) la forme mathmatique du modle (linaire, non-linaire, etc). Deux autres facteurs conduisent lerreur de spcification du modle : lomission dune ou plusieurs variables explicatives qui devraient tre incluses dans le modle et les donnes statistiques qui ont aliment le modle contiennent des erreurs de mesure. Les deux problmes (erreur de mesure et erreur de spcification) peuvent tre rsolus si le ou les modlisateurs travaillent troitement avec les fournisseurs des donnes statistiques. Des techniques comme le filtre de Kalman peuvent tre aussi dune grande utilit pour le modlisateur afin dliminer les effets ngatifs de ces deux types derreur. Il y a aussi une panoplie des tests, que le modlisateur peut utiliser pour amliorer la spcification du modle. Il faut noter que les deux erreurs sont aussi prsentes dans les modles quasicomptables (modle constitu exclusivement dquations comptables). Ici le problme se pose avec plus dacuit. Le modle quasi-comptable utilise les mmes donnes statistiques qui peuvent tre entaches de lerreur de mesure. Toutefois, le modlisateur ne peut recourir larsenal des tests disponibles, puisque les fonctions de comportement nexistent pas. Implicitement, il incorpore lerreur de mesure dans son modle. Le modle comptable repose aussi sur une spcification qui peut comporter en soi, une erreur de spcification. La spcification doit exclusivement sappuyer sur la Comptabilit Nationale du pays concern. Ceci implique que le modlisateur travaille troitement avec les institutions responsables des comptes nationaux et dautres comptes. Le modlisateur doit avoir une ide prcise sur les concepts, normes et dfinitions des comptes nationaux. Ceci laidera (i) construire un modle qui reflte le fonctionnement de lconomie du pays concern, (ii) rsoudre les problmes de rconciliation inhrents et invitables entre les diffrents comptes nationaux et (iii) rduire le risque derreur de spcification.
Fvrier 2008 E-1113
19
Si ces conditions ne sont pas runies, la fiabilit des analyses et prvisions dun tel modle comptable, laisse dsirer et ne sera daucune utilit pratique. Mme quand les modles quasi-comptables refltent la Comptabilit Nationale, les faiblesses de ces modles subsistent. Les prvisions macroconomiques africaines sont gnralement effectues l'aide de modles boucls plus rudimentaires, dits " quasi-comptables " parce que, fonds sur les TEE et TES de la Comptabilit Nationale, ils intgrent trs peu de relations de comportement mais reproduisent mcaniquement, selon la mthode de Leontief, la structure comptable issue du pass. Utiles l'laboration de budgets conomiques ou de trajectoires moyen terme sous certaines hypothses de croissance du PIB et des exportations, ces modles quasicomptables s'avrent en revanche incapables de rendre compte de r allocations sectorielles gnres par les rformes structurelles et, par consquent, d'valuer correctement les politiques d'ajustement (Dialogue 1995). Les analyses qualitatives (qui ne sappuient ni sur un modle conomtrique, ni sur un modle comptable), ne sont pas non plus immunises de lerreur de mesure. Dans les rapports qualitatifs on trouve des analyses sur la performance conomique du pays (on analyse lvolution du secteur rel, les prix, lemploi, les finances publiques, la situation montaire et la balance des paiements) avec des prvisions qui sont en ralit des extrapolations. Ces rapports sappuient sur des tableaux statistiques quon trouve dans le texte et en annexe des dits rapports. Or, ces tableaux statistiques comportent des erreurs de mesure. Malgr cette vidence, ces rapports font des recommandations souvent contraignantes aux dcideurs politiques. Les deux approches quantitative (modles conomtriques et comptables) et qualitative utilisent les mmes donnes statistiques et les mmes sources (on suppose que les donnes statistiques proviennent des instances du pays). Lavantage de lapproche conomtrique est que le modlisateur dispose de moyens pour dtecter les deux types derreurs et peut apporter les corrections ncessaires. Lquipe de modlisateurs peut aider les experts des institutions responsables dans la production de donnes statistiques. Les modlisateurs qui sont utilisateurs de donnes statistiques savent exactement le genre de variables (socio-conomiques, financires, etc) dont ils ont besoin pour alimenter le modle. La coopration entre les demandeurs (modlisateurs) et les fournisseurs des donnes statistiques, peut contribuer lamlioration de lappareil statistique.
Fvrier 2008 E-1113
20
Il est prouv que ce sont les conomistes/modlisateurs (John Maynard Keynes, Jan Tinbergen et Wassily Leontief) qui ont cre et amliorer la comptabilit nationale moderne, telle que nous la connaissons de nos jours (voir Rapport sur la formation des cadres lutilisation du modle propos : modle dInformation et de Planification du Burundi Rnov et Amnag (INPLABURA), Juillet 2007, E1113, SOFRECO, page 12). Outre les deux erreurs (erreur de mesure et erreur de spcification), la mthode destimation choisie pour estimer un modle, peut tre dterminante et conditionne la fiabilit des estimateurs du modle. Equation 5 : Equation 6 : Equation 7 : Lquation (5) est un modle linaire qui doit tre estime et lquation (6) donne lestimation. La constante et les coefficients ou paramtres estims sont reprsents par les
(estimateurs) et lquation (7) est le rsidu estim du
modle dfinit comme la diffrence entre la valeur de
y observe et estime.
Lidal est dobtenir les estimateurs qui ont les proprits suivantes : sans biais, convergent, efficace et consistant. Quelle est la mthode destimation qui garantirait un tel rsultat ? Pour rpondre il faut sappuyer sur quelques hypothses qui sous-tendent lestimation des modles linaires. Ces hypothses sont les suivantes : la relation entre la variable endogne (explique ou dpendante) Yi doit tre linaire par rapport aux variables indpendantes (explicatives) Xi ; cette relation de linarit doit rester constante ;
lindpendance des lments alatoires capturs par i (terme-derreur ou rsidu), les rsidus sont indpendants par rapport aux variables explicatives ; les rsidus sont statistiquement indpendants entre eux ( diffrentes dates et diffrentes chantillons) ; la distribution des rsidus suit une loi normale ou gaussienne. Ceci est dduit du thorme central limite ; labsence dauto corrlation entre les variables explicatives ; lesprance mathmatique des rsidus est nulle (ceci implique que les rsidus sont centrs et permet dobtenir des estimateurs sans biais) ;
Fvrier 2008 E-1113
21
la variance des rsidus est constante, cest--dire i ne varie pas avec la variation des variables explicatives et ne varie pas non plus au cours du temps (ce qui implique que les rsidus ont la mme variance). Cest lhypothse d'homoscdasticit.
Si lune ou plusieurs de ces hypothses sont violes, les MCO ne doivent pas tre utiliss. Par exemple si lhypothse de linarit du modle nest pas prouve, il ne faut pas utiliser les MCO. On pourra utiliser dautres mthodes destimation comme les DMC, les TMC ou le MV. Les MCO utiliss par le Projet lors de lestimation des fonctions de comportement des deux modles : modle une quation et modle 6 quations de Lawrence Klein (prix Nobel dconomie en 1980, fondateur de Projet LINK), sont applicables et valables parce que ces modles sont linaires. Lors des sances de formation du projet, les participants avaient aussi estim les fonctions de comportement du modle INPLABURA. Ceci a t possible car bien quINPLABURA soit un modle non-linaire, il a t linaris grce des transformations logarithmiques. Lhypothse dhomoscedasticit est essentielle pour que les MCO produisent des meilleures prvisions. Cette hypothse est rompue quand la variance des rsidus (termes derreur) varie au cours du temps (ce qui implique que les rsidus ont diffrentes variances) et sont en corrlations avec les valeurs des variables explicatives. Dans ce cas prcis, on est en prsence dun problme dhtroscdasticit. Ce problme nous rvle une information cruciale : il y a une variable explicative importante qui manque dans la spcification du modle. Cette variable se cache dans le rsidu ou terme derreur. Rappelons que dans toute fonction de comportement, la prsence des rsidus savre incontournable et invitable. En effet, les phnomnes conomiques sont complexes et quil est pratiquement impossible de mettre toutes les variables explicatives dans une fonction de comportement. Lomission dune ou quelques variables explicatives dtermine lampleur des rsidus. Si lcart entre les valeurs observes et estimes (rsidus) est important, la fiabilit des prvisions et danalyse du modle est fortement compromise, ses conclusions seront fausses et ses recommandations imprcises, hasardeuses et dangereuses. Lobjectif des MCO consiste estimer les valeurs des paramtres ou coefficients du modle. Pour y arriver, les MCO minimisent la somme des carrs des rsidus, soit le carr de lcart entre les valeurs observes (donnes statistiques collectes) de la variable dpendante (variable quon cherche expliquer et prdire partir des valeurs des variables explicatives) et les valeurs prdites (projection) de la dite variable dpendante.
Fvrier 2008 E-1113
22
Quatre possibilits soffrent pour rsoudre le problme dhtroscdasticit. On commence par identifier la variable explicative qui manque. Si on la trouve, on linclut dans le modle. Dans ce cas on limine lhtroscdasticit (la variable explicative manquante nest plus enfouie dans le rsidu ou termes derreur, elle a t identifie et extirpe, sortie du rsidu, pour figurer explicitement comme variable explicative dans lquation ou fonction de comportement). Ce processus didentification permet de rinstaller lhypothse de lhomoscedasticit du modle linaire. On peut en consquence utiliser les MCO. Malheureusement, dans beaucoup de cas, on ne trouve pas la ou les variables explicatives manquantes. Il faut recourir dautres mthodes destimation comme les MCP ou les MCG. La mthode des MCP consiste corriger les sries (donnes statistiques observes ou collectes) par un dflateur convenable ramenant un rsidu homoscdastique. Ensuite on donne des poids diffrents chaque donne statistique (observation) de la srie. La quatrime possibilit, serait de construire une matrice de correction des donnes statistiques des variables explicatives. Cette matrice vise modifier les donnes statistiques de dpart et enlever la variable inconnue qui se retrouve dans les rsidus. Toutefois, les trois mthodes (identification de la variable manquante, les MCP et la matrice de correction) sont compliques et mnent des rsultats incertains. Il est conseill dutiliser le MCG (exemple Hildreth Lu) cr pour rsoudre ce type de problme. Rappelons que lhtroscdasticit ne produit pas un biais dans lestimation des paramtres (coefficients ou rgresseurs) de lquation ou fonction de comportement (les paramtres ou coefficients estims, cest--dire les estimateurs des MCO restent sans biais ou non-biaiss). Toutefois, la variance et par ricochet lcart-type des coefficients tend tre sous-estime. Ceci a plusieurs consquences ngatives sur le modle. Dabord, lhtroscdasticit tend rendre les variables explicatives statistiquement significatives, alors quen ralit elles sont statistiquement insignifiantes. Ensuite, bien que les estimateurs restent sans biais, ils deviennent inefficaces et inconsistants. Dans ce cas, l'estimation de l'cart type (racine carr de la variance) des rsidus n'a plus de sens et lestimation des carts-types des coefficients nest pas correcte (ceci implique que lintervalle de confiance, le seuil de signification et les tests sur les hypothses ne sont plus fiables). Il est impratif et important de vrifier lindpendance des rsidus. Rappelons aussi que les rsidus dun bon modle prsentent diverses proprits : normalit, linarit, homoscdasticit, et indpendance.
Fvrier 2008 E-1113
23
Si les valeurs estimes par le modle ne correspondent pas aux valeurs observes, il faut procder lanalyse de la distribution des rsidus (termes derreur) en fonction des valeurs estimes de la variable dpendante (explique). Toutefois, si la spcification du modle est bonne, la prsence des rsidus est entirement imputable des erreurs de mesure (lerreur de mesure voque cihaut). Notez que les rsidus doivent avoir des proprits dune distribution normale (courbe en cloche , symtrique autour de la valeur prdite, avec un aplatissement rgulier des extrmits). Si cette exigence nest pas satisfaite, les tests de signification risquent dtre biaiss. Ceci met en cause le caractre BLUE (meilleurs estimateurs linaires sans biais) qui fait la force des MCO (sans biais, linarit et variance minimale). En effet, selon le thorme de Gauss-Markov, les estimateurs obtenus laide des MCO sont les meilleurs : leur variance est la plus faible et les estimateurs linaires sont non biaiss. Lanalyse de la distribution aide se faire une ide sur la dispersion des rsidus. En pratique la dispersion des rsidus doit tre homogne sur tout le spectre des valeurs de la variable indpendante (hypothse dhomoscdasticit des rsidus). Pour vrifier la linarit des rsidus, il faut sassurer quil nexiste pas de relation visible entre les rsidus et les valeurs prdites de la variable dpendante (explique). Si par exemple on trouve une relation curvilinaire entre les rsidus et les valeurs prdites, cest quil manque un prdicteur non linaire dans le modle (Raufaste 2005). Enfin les rsidus doivent tre indpendants les uns des autres (voir hypothse 4 ci-dessous).
2.3
Tests paramtriques des modles Aprs lestimation des fonctions de comportement, il faut procder aux tests. Quelques prcisions. Il y a des: tests linaires et non-linaires tests paramtriques et non-paramtriques tests bilatraux et unilatraux tests dhomognit et de conformit Les tests non-linaires sont valables pour des modles non-linaires. Notre discussion va se focaliser sur les tests linaires paramtriques pour les modles linaires et les modles non-linaires. Les tests paramtriques peuvent tre subdiviss en deux : test bilatral et unilatral. On parle de test bilatral, quand on rejette lhypothse nulle (hypothse tester) quelque soit le signe des coefficients ; positif ou ngatif. Si on une ide du signe attendu des coefficients, on peut procder des tests unilatraux (test unilatral droit et test unilatral gauche).
Fvrier 2008 E-1113
24
Apres ltape de lestimation des fonctions de comportement par les MCO, vient ltape des tests. Rappelons que les tests que vous avez utiliss sont des tests paramtriques. Un test paramtrique requiert un modle fortes contraintes (normalit des distributions, galit des variances) pour lequel les mesures doivent avoir t ralises dans une chelle au moins d'intervalle. Avant de procder des tests, le modlisateur doit sassurer que la distribution de lchantillon est compatible avec lhypothse dune distribution gaussienne (si la distribution ne suit pas une loi normale, on peut normaliser la srie grce des transformations logarithmiques) ; vrifier lhomognit des variances ; analyser la distribution de probabilit de lchantillon ; dterminer lintervalle de confiance, le seuil de signification, le seuil critique de rejet ou dacceptante des hypothses quil est appel tablir. Un test statistique est une dmarche exprimentale qui consiste accepter ou rejeter lhypothse nulle par rapport un paramtre de la population ou sa loi de probabilit contre une hypothse alternative. Cette dmarche sinspire des expriences en laboratoire des sciences comme la physique, chimie ou la biologie. Pour tre crdible et faire accepter les rsultats de leurs recherches, les chercheurs de ces diffrents domaines, doivent satisfaire la double condition de prcision et de reproductivit . Donner un rsultat sans indication sur sa prcision n'a que peu d'intrt (pour la communaut scientifique, les gouvernements, les entreprises, la presse scientifique et spcialise, etc) simplement parce que le rsultat n'est pas reproductible. Le principe de reproductivit impose une contrainte svre : quelque soit le nombre des fois quon rpte lexprience, le rsultat obtenu ne change pas. Par analogie, le principe est le mme en modlisation, sauf quici le modlisateur propose un intervalle avec un niveau de confiance susceptible de prserver le rsultat, si on renouvelait lexprience. On part du postulat que si on rptait lexprience un nombre infini de fois, les intervalles de confiance calculs contiendraient la valeur du paramtre. Lhypothse nulle (hypothse quon doit tester) est note Ho et lhypothse alternative est indique H1. Lhypothse nulle est prsente de faon tre rfute. Dans le cas de son rejet, lhypothse alternative doit tre accepte. De mme si lhypothse nulle est accepte, lhypothse alternative doit tre rejete. En gnral, lhypothse nulle est la ngation de lhypothse laquelle le modlisateur sintresse rellement. Un test dhypothse est en quelque sorte une dmonstration par labsurde en probabilit (on teste Ho contre H1, en supposant que H1 est vraie).
Fvrier 2008 E-1113
25
Rappelons, quil existe une correspondance directe entre lintervalle de confiance et le test : un intervalle de confiance est gnralement construit comme lensemble des valeurs qui, si elles taient choisies pour lhypothse nulle, conduiraient un rsultat de test non significatif (Poitevineau 2004). Un modlisateur doit dterminer lintervalle de confiance et le seuil de signification pour tre en mesure de procder des tests. Lintervalle de confiance est suppos contenir la valeur du paramtre quon cherche tester. Un intervalle de confiance se traduit par une formule du type : Pr{a < 0 < b}= 1 - o a et b sont les extrmits de l'intervalle. Le niveau du test ou seuil de signification est reprsent par et 1- est appel coefficient de confiance. Lintervalle appel intervalle de contrle contient la caractristique contrler avec une probabilit 1- . Pour un nombre n dobservations (donnes statistiques) fix, plus le seuil ou niveau de confiance est grand, plus l'intervalle est petit cest--dire plus la fiabilit du rsultat (reprsente par le coefficient de confiance) diminue, plus la prcision du rsultat (reprsente par lamplitude de lintervalle de confiance) augmente. Pour fix, plus n grandit, plus la prcision augmente. Notez aussi que plus la probabilit critique (1tendance rejeter lhypothse nulle Ho.
est faible, plus on aura
Le seuil de signification se dduit de la prcision de lintervalle de confiance. Dans la littrature empirique, lventail des intervalles de confiance des modles varie entre 65% et 99%. A variance gale, plus lintervalle de confiance est leve, plus on gagne en prcision. Par exemple, si on retient un intervalle de confiance de 99%, donc un seuil de signification de 1% (100% 99% = 1%), on assume que la probabilit de rejeter lhypothse nulle alors quelle est vraie, se situe a 1%. Dans ce cas prcis, le modlisateur est trs strict et se donne une chance sur 100 de se tromper. La probabilit critique est souvent estampille comme p-value et existe dans beaucoup de logiciels destimation et de rsolution de modles. Rappelons que la p-value ou le vrai niveau de signification dun test reprsente le niveau de signification le plus faible auquel une hypothse nulle puisse tre rejete. Le logiciel EViews a retenu la p-value de 0,05, ce qui suppose un intervalle de confiance de 95% et un seuil de signification de 5%. Quand on procde des tests, en utilisant EViews, on accepte lhypothse nulle pour tout p-value suprieur ou gale 0,05 et on rejette lhypothse nulle pour la probabilit infrieur au seuil critique de 0,05. Le modlisateur, doit indiquer le type de test utilis. Les tests couramment utiliss pour les hypothses nulles et alternatives, sinspirent de deux thories 26 Fvrier 2008
E-1113
principales, celle de Fisher et celle de Neyman et Pearson, qui sont rivales, fortement opposs et incompatibles. Ce sont les tests et les p-values de Fisher qui sont programms dans EViews : F-statistic et Prob(F-statistic). Le processus de test qui consiste accepter ou rfuter lhypothse nulle est un acte de dcision. Et toute dcision comporte des risques lis des erreurs dapprciation, de jugement et danalyse. En modlisation, les tests comportent des erreurs parce que la distribution de ces tests est asymptotique et que lchantillon sur lequel travaille lconomtre est fini (Doucour 2007). Il sagit ici de deux espces derreurs, celui de se tromper pour lhypothse nulle et lhypothse alternative. Lerreur de la premire espce consiste rejeter lhypothse nulle Ho alors quelle vraie : la probabilit conditionnelle correspondante est appele risque de premire espce, souvent not (Poitevineau 2004). Lerreur de la deuxime espce consiste accepter lhypothse nulle, alors que cest lhypothse alternative qui est vraie : la probabilit conditionnelle correspondante, souvent note , et 1- (la probabilit de choisir H1 alors quelle est vraie), est appele la puissance du test (par rapport H1). Toutes choses tant gales par ailleurs, les risques et varient en sens inverse. La puissance du test est en quelque sorte le garde-fou, que le modlisateur doit utiliser pour se prmunir contre les deux types derreurs et viter ainsi des conclusions htives et hasardeuses sur labsence deffet en cas de rsultat non significatif.
2.3.1
Tests diagnostics sur les termes derreurs ou rsidus

Les tests diagnostics sur les rsidus ont comme objectif de vrifier (i) si les sries qui alimentent le modle suivent une loi gaussienne (test de normalit) ; (ii) sil y a htroscdasticit des rsidus et (iii) si les rsidus sont autocorolls. Nous allons nous limits quelques tests paramtriques linaires. Test de normalit Avant de procder aux tests de normalit il faut sassurer que les rsidus entre les valeurs observes et les valeurs calcules par le modle, se comportent comme un bruit blanc normal si : (i) leur esprance (moyenne) est nulle (si la moyenne des rsidus nest pas nulle, il convient dajouter une constante au modle) ; (ii) quils soient homoscdastiques (variance constante) et non autocorrls (covariance nulle) ; et (iii) si le graphe des rsidus en fonction du temps semble approximativement compatible avec une suite de variables alatoires non corrles.
Pour vrifier si le processus des rsidus suit un bruit blanc gaussien, il y a plusieurs tests paramtriques disponibles. En ce qui concerne le test de normalit, nous allons nous limiter aux trois tests couramment utiliss : le skewness, le Kurtosis et le test de Jarque-Bera. 27 Fvrier 2008
E-1113
Le skewness est une mesure de lasymtrie de la distribution de la srie autour de sa moyenne. Le skewness dune distribution symtrique implique que la distribution normale est nulle. Le skewness positive signifie que la distribution a une queue allonge vers la droite et le skewness ngative signifie que la distribution une queue allonge vers la gauche. Pour une loi normale, le coefficient de skewness (S) -ou coefficient d'asymtrie- est gale zro et le moment est dordre 3. Le kurtosis mesure le caractre pointu ou plat de la distribution de la srie. Le coefficient de kurtosis (K) -ou coefficient d'aplatissement- vaut 3 et le moment de kurtosis est dordre 4. Cette loi tant caractrise par sa symtrie par rapport la moyenne ainsi que par la faible probabilit des points extrmes. Si le Kurtosis est suprieure 3, la distribution est plutt pointu relativement la normale; si le Kurtosis est infrieure 3, la distribution est plutt plate relativement la normale. On a donc:
Il s'agit d'un test du type multiplicateur de Lagrange. Une loi normale a un coefficient d'asymtrie (S) = 0 et un coefficient daplatissement de kurtosis (K) = 3. On dduit alors que si les donnes suivent une loi normale, le test s'approche alors de zro et on accepte (ne rejette pas) Ho au seuil . Les tests skewness et kurtosis sont programms dans le logiciel EViews mais par le biais du test de Jarque et Bera. Lorsqueon procde des tests de normalit, on obtiens un tableau avec les trois statistiques : skewness, kurtosis et Jarque-Bera. Les rsultats de skewness et kurtosis devraient tre compatibles avec le test de Jarque-Bera (voir section : tests paramtriques sur le modle). Rappelons quil nest pas possible davoir un skewness et un kurtosis dont les valeurs proches de ceux d'une loi normale, sans pour autant que la srie des donnes suive une loi normale. En dautres termes, on ne peut avoir une incompatibilit entre les deux tests (skewness et kurtosis) et le test de JarqueBera. Si les valeurs de skewness et kurtosis sont proches dune loi gaussienne, le test de Jarque-Bera ne fera que confirmer lhypothse nulle de normalit.
Fvrier 2008 E-1113
28
Par contre, si par exemple vous avez un skewness de -0,8 et un kurtosis de 1,5 et que vous utilisez la statistique de Jarque-Bera pour tester la normalit des sries, il y a incompatibilit entre les valeurs de skewness et kurtosis (-0,8 et 1,5) qui sloignent dune loi gaussienne (0 et 3). Dans ce cas, le test de Jarque-Bera rejettera lhypothse nulle alors quelle est vraie. Vous commettrez lerreur de premire espce, puisque vous concluez que la normalit des sries nexiste pas. Mais alors quel est le lien entre les deux tests (skewness et kurtosis) et le test de Jarque-Bera ? Pour pouvoir examiner si la srie est normalement distribue, le test de Jarque-Bera mesure la diffrence du skewness et du Kurtosis de la srie avec ceux de la distribution normale. Le test de Jarque-Bera repose sur les coefficients d'aplatissement et d'asymtrie, donc normalement lorsque ceuxci sont "trs proches" de ceux d'une loi gaussienne, le test de Jarque-Bera doit confirmer la normalit des sries, cest--dire accepter lhypothse nulle. Le test de Jarque-Bera ne teste pas proprement parler si les donnes suivent une loi normale, mais plutt si les kurtosis et les coefficients d'asymtrie des donnes sont les mmes que ceux d'une loi normale de mme esprance et variance. La statistique Jarque-Bera suit asymptotiquement une loi de Chi-carr 2 degrs de libert. Ce test est frquemment utilis pour dterminer si les rsidus d'une rgression linaire suivent une distribution normale. Lhypothse de normalit des rsidus (termes derreur) joue un rle essentiel, car elle aide prciser la distribution statistique des estimateurs. Cest donc grce cette hypothse que linfrence statistique peut se raliser. Le test de normalit peut se faire soit sur la distribution des donnes, soit sur les rsidus. Voici les hypothses, que le modlisateur pose : H0: les rsidus suivent une loi normale H1: les rsidus ne suivent pas une loi normale Le logiciel EViews aide excuter le test. Apres avoir effectu le test, reportez vous au tableau des rsultats. Vous y trouverez des valeurs de skewness, kurtosis, de Jarque-Bera mais surtout la probabilit du test. Comme pour tous les tests sous EViews, le seuil de signification est de 5%. Si la valeur de la probabilit de Jarque-Bera (p-value) est suprieure ou gale 0,05, on accepte lhypothse nulle de normalit de la distribution des rsidus. Test dhtroscdasticit des rsidus Pour rappel et comme indiqu ci-haut, lune des hypothses cls des modles linaires est lhypothse dhomoscdasticit, cest--dire, les rsidus (termes derreur) du modle ont la mme variance.
Fvrier 2008 E-1113
29
Cependant, si la variance de chaque terme derreur nest pas constante (elle varie au cours du temps avec chaque observation), les rsidus auront des variances diffrentes qui introduisent lhtroscdasticit dans le modle. Quand on teste lhtroscdasticit, lhypothse nulle est que tous les coefficients de la rgression des rsidus au carr sont nuls, cest- -dire que les variables du modle nexpliquent pas la variance observe donc il y a homoscdasticit. Lhypothse alternative est lhypothse dhtroscdasticit. Ainsi, si on rejette lhypothse nulle, on peut conclure la prsence dhtroscdasticit. En pratique les hypothses sont comme suit : H0: les rsidus du modle sont homoscdastiques H1: les rsidus du modle sont htroscdastiques Il y a plusieurs tests disponibles pour dtecter lhtroscdasticit. Les tests les plus utiliss sont : test de White, Breusch-Pagan, Goldfeld-Quandt, Harvey, Glesjer et le test ARCH. Le test de White est un test gnral d'homoscdasticit, fond sur l'existence d'une relation entre le carr du rsidu et une ou plusieurs variables explicatives. Le test de White possde un estimateur convergent de la matrice des variances-covariances des MCO en prsence dhtroscdasticit de forme inconnue pour que linfrence statistique base sur les MCO soit asymptotiquement fiable. Lhypothse nulle est celle d'homoscdasticit contre lhypothse alternative dhtroscdasticit. Pour effectuer le test de White, on utilise la statistique du multiplicateur de Lagrange (Mathieu 2000). Le test de White a trois particularits. Dabord, ce test ne ncessite pas de connaissance priori sur la forme dhtroscdasticit. Ensuite, si lchantillon (nombre dobservations ou donnes statistiques) est grand, le test de White est suffisamment puissant pour dtecter toutes les formes dhtroscdasticit pour lesquelles la matrice des variances-covariances usuelles nest pas convergente. Cependant, mme si le test de White est convergent contre une grande varit dalternatives htroscdastiques, il perd un peu en puissance en chantillon fini. Enfin, il faut souligner que le test de White peut aussi dtecter un problme dans la spcification du modle, une dpendance entre les rgresseurs (estimateurs) et les rsidus ou termes derreur (Le Gallo). Le logiciel EViews a deux sortes des tests de White: White Heteroskedasticity non cross terms et White Heteroskedasticity cross terms . Choisissez White Heteroskedasticity non cross terms . Aprs avoir effectu le test, vous obtiendrez une fentre (White Heteroskedasticity test) avec les statistiques suivantes: F-statistic et Obs*Rsquared. Observez bien les probabilits de ces deux statistiques. Si la p-value de Obs*R-squared est suprieure ou gale 0,05 on accepte lhypothse nulle dhomoscdasticit des rsidus ou termes derreurs. Outre le test de White, il y a dautres tests qui sont disponibles mais qui ne sont pas programms dans EViews et par consquent, vous ne les avez pas utiliss. Nous donnons un bref aperu de ces tests. 30 Fvrier 2008
E-1113
Quand lhtroscdasticit est correctement spcifie et prend une forme particulire : linaire (htroscdasticit additive) ou exponentielle (htroscdasticit multiplicative), les tests (Breusch-Pagan, Goldfeld-Quandt, Harvey, Glesjer) savrent plus puissants que le test de White. La statistique de Breusch-Pagan est souvent utilise pour tester lhtroscdasticit des modles linaires. Cest un test de multiplicateur de Lagrange relativement trs puissant, condition que les variables responsables de la prsence dhtroscdasticit dans le modle soient correctement identifies. Le test consiste vrifier si la variance estime des rsidus est dpendante des valeurs des variables explicatives. Si le test confirme la prsence dhtroscdasticit (cest--dire rejette lhypothse nulle d'homoscdasticit des rsidus), on peut apporter des corrections en utilisant la mthode Hansen ou repenser la spcification du modle. Si on choisit la deuxime option, on peut appliquer le test de Ramsey qui est spcialement conu pour tester la spcification du modle (ce test est abord plus-bas). Le test de Goldfeld-Quandt est similaire aux autres tests dhtroscdasticit, mais avec une lgre diffrence. La procdure suggre deffectuer deux rgressions par les MCO: lune avec les rsidus (termes derreur) de petites variances, lautre avec les rsidus (termes derreur) de grandes variances. Si les variances rsiduelles associes chaque rgression sont approximativement gales, on accepte lhypothse nulle d'homoscdasticit. Par contre, si lune des variances rsiduelles saccrot substantiellement par rapport lautre, lgalisation de deux variances est mise en cause, il est possible, alors, quon rejette lhypothse nulle et quon accepte lhypothse alternative dhtroscdasticit. Le test Harver et le test Glesjer sont des tests dhtroscdasticit qui sapparentent au test Goldfeld-Quandt. Toutefois, le test Glesjer peut tre utilis si seulement les trois conditions sont runies : la variable dpendante (explique) napparat pas comme variable explicative retarde (modle auto rgressif) une htroscdasticit additive toutes les hypothses des MCO sont satisfaites
Fvrier 2008 E-1113
31
Il y a deux tests ARCH (htroscdasticit conditionnelle auto rgressif) : linaire et non-linaire. Il sagit ici du test ARCH linaire. Le test ARCH, trs frquemment employ pour lanalyse des sries temporelles financires, a pour objet de tester l'hypothse nulle d'homoscdasticit contre l'hypothse alternative d'htroscdasticit conditionnelle. On a htroscdasticit conditionnelle auto rgressif si la variance des rsidus au t est fonction des variances des rsidus des priodes prcdentes (t-1, t-2, etc.). Ses hypothses sont les suivantes : H0: absence deffet ARCH (homoscdasticit) H1: prsence deffet ARCH (htroscdasticit)
On teste lhypothse nulle en vrifiant si la srie ne comporte pas dhtroscdasticit conditionnelle. Le test ARCH est programm dans le logiciel EViews. Aprs avoir effectu le test, reportez-vous au tableau des rsultats. Si la p-value de Obs*R-squared est suprieure ou gale 0,05 on accepte lhypothse nulle dabsence deffet ARCH (homoscdasticit). Ramsey en 1969 a trait la question des erreurs de la spcification des modles. Il a group les erreurs en trois catgories. La premire catgorie comprend des omissions des variables ou une forme mathmatique incorrecte du modle, ou une dpendance stochastique des variables explicatives et des rsidus (non orthogonalit). Ces rsidus (termes derreur) introduisent des biais dans les coefficients estims (estimateurs ou rgresseurs). La deuxime catgorie prsente des cas dhtroscdasticit et dauto corrlation qui influencent la variance et la covariance des rsidus. La troisime catgorie met en vidence des cas de non normalit des rsidus qui influencent la distribution des estimateurs. Le test Ramsey part du postulat que la plupart des erreurs de spcification des modles est due au fait que le vecteur des rsidus est diffrent de zro. Les hypothses sont les suivantes : H0: le modle est correctement spcifi H1: le modle nest pas correctement spcifi Le test Ramsey est programm dans EViews. Quand, vous appliquez le test de Ramsey, reportez vous la fentre : Ramsey Reset test, F-statistic, Log likelihood ratio, Probability . Si la probabilit (p-value) est suprieure ou gale 0,05, on accepte lhypothse nulle. Il y a deux moyens pour corriger lhtroscdasticit. On peut (i) paramtriser la matrice de variance-covariance des erreurs (MCD) et (ii) utiliser les MCO et corriger les carts-types (parce que les carts-types entachs dhtroscdasticit ne sont pas bons et utiles) par la mthode dEicker-White. 32
Fvrier 2008 E-1113
On peut aussi, aprs la transformation des donnes statistiques, utiliser les MCG ou les moindres carrs gnraliss ralisables (MCGF). Lavantage de MCG est quon nest pas tenu de connatre priori la nature de lhtroscdasticit, pour estimer des carts-types consistants. Il peut tre tentant dutiliser systmatiquement les carts-types robustes (pour corriger les carts-types), mais il faut savoir que cette mthode gonfle les carts-types inutilement et rduit la puissance des tests lorsque ceci nest pas ncessaire. Il faut donc sabstenir de lutiliser lorsquelle ne savre pas ncessaire (Leblond et Belley-Ferris 2004). Pour rappel, les carts-types des coefficients estims mesurent la fiabilit statistique des estimations des coefficients. Plus les carts-types sont levs, plus il y a de bruit statistique dans les estimations. Test dauto corrlation des rsidus Les tests dauto corrlation sont conus pour vrifier si les rsidus suivent un bruit blanc. Si les rsidus obissent un bruit blanc, il ne doit pas exister d'auto corrlation dans la srie. Il y a plusieurs tests pour tester lautocorrection des rsidus : Durbin-Watson Ljung-Box, Breusch-Godfrey et le test de Box-Pierce. Le test de Durbin-Watson (DW) est trs utilis et on le trouve dans presque tous les modles. Ce test vise dtecter la prsence ou labsence de lauto corrlation dordre 1 des rsidus. Voici les hypothses tester : H0: absence d'auto corrlation des rsidus H1: prsence d'auto corrlation des rsidus Durbin et Watson ont tabul les valeurs critiques de la statistique DW en fonction de la taille de l'chantillon (nombre dobservations) et du nombre de variables explicatives. Ils ont calculs des valeurs planchers et des valeurs plafonds . Pour que lhypothse nulle soit vraie, il faut que la Pr[ DW < dL ] 5% et Pr[ DW > dU ] 95%. Le raisonnement est le suivant : si d0 < dL, on rejette H0 (vidence de lauto corrlation positive des rsidus); si d0 > dU, on ne rejette pas H0 (absence dauto corrlation des rsidus); si dL < d0 < dU, le test est inconclusive, on se trouve dans une zone d'indtermination et on ne peut conclure. Le test de Durbin-Watson de l'auto corrlation des rsidus revient examiner si la valeur DW calcule s'carte suffisamment vers 0 ou vers 4, pour renoncer l'hypothse d'indpendance des alas au niveau de risque choisi. La statistique DW varie entre 0 et 4. Si la statistique DW est gale 2, on conclut quil y a absence d'auto corrlation des rsidus, donc on accepte lhypothse nulle contre lhypothse alternative.
Fvrier 2008 E-1113
33
Si la statistique est plus petite que 2, on est en prsence dauto corrlation positive des rsidus (une erreur positive succde a une erreur positive) et si la statistique est plus grande que 2, on a une auto corrlation ngative des rsidus (alternance des erreurs). Ces conditions font que le test de DW nest applicable qua des sries chronologiques et ne peut tre utilis aux coupes transversales. Le test DW repose sur les hypothses suivantes: la distribution des rsidus suit une loi normale ; le nombre dobservations doit tre plus grand ou gal 15 ; lordre d'auto corrlation des rsidus doit se limiter 1. En effet, Le test de Durbin-Watson permet de tester la prsence d'auto corrlation seulement l'ordre 1 des rsidus, c'est--dire, le rsidu en temps t dpend du rsidu en temps t-1. Mais la statistique DW est incapable de dtecter lauto corrlation dordre 2 et plus des rsidus, cest--dire les rsidus en temps t-2, t-3 ; lquation ou la fonction du comportement doit avoir une constante. Lune des hypothses des MCO est que lesprance des rsidus soit nulle. Or pour que cette hypothse soit vrifie, il faut quil ait une constante dans les fonctions de comportement du modle. Par consquent, si on supprime la constante ou terme constant, cela revient violer cette hypothse. La consquence de labsence de terme constant (la constante) dans lquation, est que les estimations des coefficients peuvent tre biaises et la valeur du Student calcule sera survalue (Plunket 2003). Il faut insister sur la diffrence entre le rsidu (terme derreur) et la constante (terme constant). Par essence, le terme constant est gal la part de la variable dpendante qui ne peut pas tre explique par les variables indpendantes, alors que le terme derreur reprsente la part alatoire de la variable dpendante qui ne peut pas tre explique ; les variables explicatives ne doivent pas tre stochastiques ; les sries temporelles ne doivent pas avoir des fortes variations saisonnires ; la variable dpendante ne doit pas apparatre comme variable explicative retarde dans le modle. On ne doit pas utiliser le test DW si lune ou plusieurs de ces hypothses ne sont pas satisfaites. Il faut recourir dautres tests d'auto corrlation dont les plus couramment utiliss sont : le test de Ljung-Box, Breusch-Godfrey et le test de Box-Pierce. La statistique de Ljung-Box (corrlogramme et Q-Stat), permet de tester l'hypothse d'indpendance srielle d'une srie. Plus spcifiquement cette statistique teste l'hypothse nulle quil ny a pas d'auto corrlation des rsidus jusqu' lordre k. Elle est base sur la somme des auto corrlations de la srie et elle est distribue selon une loi Chi-carr avec m degrs de libert.
Fvrier 2008 E-1113
34
Le test de Ljung-Box peut aussi tre appliqu sur les rsidus et dans ce cas la Q-Statistique permet de tester leffet ARCH (htroscdasticit conditionnelle auto rgressif) dans les rsidus. Voici les hypothses du test de Ljung-Box: H0: absence d'auto corrlation des rsidus jusqu' lordre k, H1: prsence d'auto corrlation des rsidus jusqu' lordre k. Si la p-value est infrieure 0,05, on rejette lhypothse nulle et on accepte lhypothse alternative : les rsidus sont autocorrls lordre k. La statistique de Ljung-Box est programme dans le logiciel EViews. Quand, vous effectuer ce test, vous obtiendrez une fentre: Corrlogramme des rsidus (correlogram of residuals). La fentre vous donne lauto corrlation, corrlation partielle mais surtout lordre dauto corrlation des rsidus, qui va de 1 12. Dans la fentre correlogram of residuals ou Corrlogramme des rsidus, vous verrez des rectangles confins dans deux corridors (le premier corridor est li lauto corrlation et lautre la corrlation partielle). Le nombre des rectangles qui sortent du corridor dterminent lordre dauto corrlation des rsidus. Si un rectangle sort du corridor, on conclut quil y a prsence dauto corrlation dordre 1. Si deux rectangles sortent du corridor, on a une auto corrlation dordre 2 des rsidus. Si trois rectangles sortent du corridor, on a une auto corrlation dordre 3, ainsi de suite. Si un ou plusieurs rectangles sortent du corridor, on rejette lhypothse nulle et on accepte lhypothse alternative. La statistique de Breusch-Godfrey ou test de multiplicateur de Lagrange (LM) de corrlation srielle est un test dabsence d'auto corrlation, qui prend en compte certaines limitations et insuffisantes du test DW: la variable dpendante peut apparatre comme variable explicative retarde dans le modle (modle auto rgressif) ; les auto corrlations peuvent tre suprieures lordre 1 ; la possibilit que les rsidus soient autocorrls. Le test de Breusch-Godfrey est programm dans le logiciel EViews. Quand vous effectuer ce test, allez la fentre Breusch-Godfrey Serial Correlation LM Test et observez Obs*R-squared . Si la p-value est infrieure 0,05, on rejette lhypothse nulle de non auto corrlation des rsidus. Le test de Box-Pierce appel aussi test portemanteau (test fourre-tout)- value la corrlation existant entre les rsidus. Sous lhypothse nulle dabsence d'auto corrlation des rsidus dordre k, la statistique de Box-Pierce suit une loi de Chi-carr q-1 degr de libert. Le test de Box-Pierce qui nest pas programm dans EViews- est trs proche du test de Ljung-Box. Ils ont les mmes objectifs. La diffrence rside dans la taille de lchantillon (nombre dobservations).
Fvrier 2008 E-1113
35
Lorsque lchantillon est de petite taille, le test de Ljung-Box est plus efficace et lorsque lchantillon est de taille moyenne ou grande, la statistique de BoxPierce est plus performante. En effet, la distribution de la statistique Ljung-Box est plus proche de celle de Chi-carr en petit chantillon que ne lest celle du test de Box-Pierce. Une particularit du test de Box-Pierce : si la variance des rsidus varie au cours du temps (rsidus htroscdastiques), il faut tre trs prudent avant dutiliser la statistique de Box-Pierce. En effet, le test de Box-Pierce est trs sensible la prsence dhtroscdasticit. Cest pour cette raison, quon calcule la statistique de Box-Pierce corrige de l'htroscdasticit. Cest cette version qui est souvent utilise pour tester lhypothse nulle des quations ou fonctions de comportement du modle. Il y a plusieurs mthodes pour traiter le problme dauto corrlation. Souvent des modlisateurs introduisent des lags (retards) et ajoutent des variables explicatives dans le modle. Ceci est une approche assez flexible mais, cependant, avec deux fcheuses consquences. Lintroduction de chaque nouvelle variable explicative dans le modle, gonfle artificiellement et fictivement le coefficient de dtermination et la prsence des variables retardes (introduction des lags) rduit la taille de lchantillon (rduction des nombres dobservations), qui son tour rduit le degr de libert Des mthodes plus efficaces existent pour liminer lauto corrlation des rsidus : utilisez la mthode des moindres carrs gnraliss (MCG) lorsque le coefficient dauto corrlation est connu ; si le coefficient dauto corrlation est inconnu, utilisez la mthode des moindres carrs quasi-gnraliss (MCQG). Le coefficient dauto corrlation peut tre estim par la mthode itrative de Cochrane-Orcutt (la mthode itre le procd jusqu' stabilisation des estimations du coefficient dauto corrlation) ou celle de lissage de Hildreth-Lu ; vous pouvez aussi recourir la mthode de Newey-West qui propose un estimateur convergent de la matrice des variances-covariances pour lauto corrlation (en fait, il sagit dune extension de lestimateur convergent de la matrice des variances-covariances pour l'htroscdasticit de White) ; il y a aussi la mthode HAC (htroscdasticit et auto corrlation consistants). Cette mthode propose une matrice variance-covariance consistante avec lhtroscdasticit et lauto corrlation des rsidus. la mthode de maximum de vraisemblance (MV) peut aussi tre utilise. La mthode du maximum de vraisemblance et les moindres carrs non linaires, mathmatiquement et numriquement plus labors estiment simultanment lauto corrlation et les coefficients du modle.
Fvrier 2008 E-1113
36
2.3.2
Test de restriction sur les coefficients

Nous allons abords trois tests : le test de porte globale de Fisher, de signification des coefficients individuels de Student et le test de Wald. La statistique F (baptis au nom de Ronald A. Fisher pour ses nombreuses contributions en statistique et modlisation) est trs utilise et populaire. La distribution F est un ratio des variables distribues selon la loi Chi-carr divises par leur degr de libert. La distribution Chi-carr est celle dune somme de m variables distribues selon une loi normale. Quand les termes derreur sont normalement distribus, la somme des carrs des rsidus est une variable alatoire qui suit une distribution de Chi-carr. La statistique F est souvent utilis pour tester la signification globale des coefficients des variables indpendantes (explicatives) du modle. On suppose que les coefficients estims des variables explicatives soient conjointement nuls (gaux zro), donc les variables explicatives n'aient aucun effet sur la variable dpendante du modle. La Prob > F qui est la p-value associe la distribution F rpond lhypothse que si oui ou non, tous les coefficients du modle sont nuls, soit lhypothse nulle H0. Voici les hypothses : H0: le modle est globalement significatif H1: le modle nest pas globalement significatif Pour pouvoir analyser le test de Fisher, reportez vous au tableau qui donne les rsultats de la rgression de lquation ou fonction de comportement. Si la Prob (F-statistic) ou la p-value est infrieure 0,05, on accepte lhypothse nulle de la signification globale du modle. En pratique, lhypothse nulle de la statistique de Fisher est gnralement accepte ((la Prob (F-statistic) est souvent gale 0,000 cest- -dire infrieure 0,05)). Aprs avoir effectu le test de signification globale du modle, il est intressant d'effectuer un test de signification partielle sur le mme modle l'aide du test de Student. Ce test nous permettra de savoir si chaque coefficient est significativement diffrent de zro ou non (test de nullit des coefficients individuels) et ainsi de savoir si telle variable indpendante explique rellement la variable dpendante. Dans le tableau des rsultats de la rgression, observez chaque coefficient estim et sa probabilit correspondante. Si la probabilit (dernire colonne du tableau : Prob) est infrieure 0,05 le coefficient concern est significatif. Vrifier tous les coefficients estims de lquation. Si par exemple, la fonction de comportement a plusieurs variables explicatives, vous aurez plusieurs coefficients estims plus la constante (la prsence de la constante est justifie par lutilisation des MCO comme estimateurs).
Fvrier 2008 E-1113
37
La statistique de Wald sintresse une variable explicative particulire ou un groupe des variables indpendantes. Le test Wald teste si les paramtres associs un groupe des variables explicatives sont nuls (gaux zro). Si par exemple, le test de Wald savre significatif pour une variable explicative ou un groupe des variables indpendantes, on peut alors conclure que les coefficients de ces variables sont significativement diffrents de zro. Dans ce cas, ces variables explicatives doivent tre maintenues dans le modle. Par contraste, si la statistique Wald nest pas significative, les variables explicatives concernes doivent tre retires du modle. Ce test est trs utile pour lobtention dune meilleure spcification du modle. Vous pouvez aussi utiliser le test du rapport de vraisemblance gnralis (RVG) pour tester la signification dun groupe des variables explicatives. Ce test est trs performant, souvent trs utilis quand lchantillon du modle est de petite taille et les valeurs des coefficients estimes sont larges. Il y a souvent de confusion entre les tests paramtriques de signification globale et individuelle des fonctions de comportement du modle et le tstatistique. Quand vous faites une estimation dune quation ou une fonction de comportement par les MCO sous EViews, vous obtenez un tableau des rsultats : la Prob (F-statistic) pour la signification globale et les probabilits associes aux variables explicatives pour la signification individuelle. Mais dans le mme tableau, vous avez aussi des t-statistiques associs chaque coefficient du modle plus la constante. Si la fonction de comportement a quatre variables explicatives, vous aurez quatre coefficients estims avec quatre t-statistique plus la constante. Rappelons quune variable ou plusieurs variables explicatives ont une influence significative sur la variable dpendante (explique), seulement si les coefficients estims des variables explicatives sont significativement diffrents de zro. Pour sen assurer, il faut que le t-statistique de chaque coefficient ou paramtre estim soit gal ou suprieur aux valeurs critiques au seuil de signification. Par exemple, si la statistique t 1.96 ou -1.96 (95% dintervalle de confiance), on conclut que le coefficient est significativement diffrent de zro. La question qui se pose est la suivante : Peut-on avoir une situation atypique dans laquelle, les rsultats des tests paramtriques sont contredits par les t-statistiques ? Prenons lexemple du test de Wald. Supposons que le test de Wald confirme la signification dun coefficient individuel (probabilit infrieure 0,05), le tstatistique quon trouve dans le mme tableau des rsultats de la rgression, contredirait-il le test de Wald avec un rsultat oppos (le coefficient estim nest pas significativement diffrent de zro, cest--dire le t-statistique est infrieur 1,96)? Cest--dire que le t-statistique stipule que le coefficient concern est insignifiant alors que le test de Wald suggre justement le contraire.
Fvrier 2008 E-1113
38
Pour rpondre cette lancinante question, Altman (1991) a procd plusieurs tests en mdecine exprimentale. Il conclut que pour un coefficient ou paramtre estim, la statistique de Wald est simplement le carr du t-statistique et par consquent donnera des rsultats exactement quivalents. Il ny a donc pas, incompatibilit entre les deux tests, au contraire ils sont complmentaires.
2.3.3
Test de stabilit
Apres avoir estim les fonctions de comportement du modle et procd des tests de diagnostic sur les rsidus et des tests de restriction sur les coefficients, une question invariablement taraude le modlisateur : les coefficients ou paramtres estims sont-ils stables pendant la priode historique (chantillon ou priode dobservation : par exemple, pour INPLABURA la priode historique couvre 1980-2004) ? Seront-ils stables pendant la priode de projection ? Les paramtres ont-ils captur le changement structurel de lconomie, qui a eu lieu pendant la priode historique ? Si oui, quels sont les annes de rupture (pour un modle annuel), les trimestres pour un modle trimestriel et le mois de rupture pour un modle mensuel ? Les coefficients estims, ont-ils t mesure dabsorber les diffrents chocs que lconomie a subis. Les changements structurels et les chocs extrieurs (par exemple la dtrioration des termes de lchange ou une baisse drastique de lAide Publique au Dveloppement), les chocs internes (scheresse, inflation rampante, dficit budgtaire incontrl) peuvent rendre les coefficients du modle instables. Si le modle est stable, de quelle stabilit sagit-elle ? Structurelle ou ponctuelle ? Il y a plusieurs tests de stabilit qui aident rpondre cette horde des questions. Ici, nous allons nous limiter quatre : le test Chow, CUSUM, et le test CUSUMSQ (cusum au carr). La statistique de Chow (comparaison des variances des rsidus sur des souspriodes de la srie dobservations) est souvent utilise pour tester la stabilit du modle. Le postulat est de reprer la priode qui a introduit les chocs au point daltrer la structure conomique. Ce test est trs utile pour lanalyse micro et macroconomique. Le test de Chow peut rpondre des questions prcises du genre : la libralisation du commerce extrieur introduite telle anne, a-t-elle modifi la relation entre la politique montaire et linflation ? La dvaluation qui a eu lieu telle anne, a-t-elle modifi les prix relatifs et provoqu le transfert des ressources du secteur des biens non-changeables vers le secteur des biens changeables ? La statistique de Chow vrifie si les coefficients estims dune quation ou fonction de comportement dun chantillon donn, seront diffrents si le mme chantillon est divis en deux sous-groupes. Pour ce faire, le modlisateur doit avoir une information capitale : connatre exactement lanne (pour le modle annuel) o le point de rupture structurelle a eu lieu. Ensuite, il doit diviser lchantillon en deux sous-groupes et procder des estimations. 39
Fvrier 2008 E-1113
Notez que la fonction de comportement (variable dpendante et variables explicatives plus la constante) reste la mme pour les deux sous-priodes. Le choix arbitraire du point de rupture par le modlisateur rvle linconvnient majeur de la statistique de Chow. Un point de rupture peut conduire rejeter lhypothse nulle, alors quavec un autre point de rupture on ne la rejetterait pas. Ensuite, le modlisateur peut avoir des informations limites susceptibles de linduire en erreur, lors de lidentification du point de rupture. Lhypothse nulle est quil ny a pas de changement structurel (les coefficients estims sont gaux pour les deux sous-groupes de donnes) ; cest--dire que le modle est stable : H0: modle stable H1: modle instable Le test de Chow est programm sous EViews. Apres avoir effectu le test, reportez vous au tableau et observez la statistique Log likelihood ratio et sa probabilit. Si la p-value est suprieure ou gale 0,05 on accepte lhypothse nulle. Si la p-value est infrieure 0,05, on rejette lhypothse nulle et on accepte lhypothse alternative : le modle nest pas stable, il y a bel et bien changement structurel. Dans ce cas, on est tenu de prendre en compte ce fait et le modliser. Le test de CUSUM est semblable au test de Chow, sauf quici le modlisateur ne doit pas identifier lanne ou le point de rupture. La statistique de CUSUM repre le point de rupture elle-mme. Le test CUSUM permet dtudier la stabilit structurelle du modle estim au cours du temps. Ce test est fond sur la somme cumule des rsidus rcursifs. Voici ses hypothses : H0: modle structurellement stable H1: modle structurellement instable En effectuant le test, EViews vous donne un rectangle lintrieur duquel, vous trouverez un corridor en pointills et une courbe. Le principe est simple : si les coefficients ou paramtres estims sont stables au cours du temps, alors les rsidus rcursifs doivent rester lintrieur du corridor au seuil de signification de 5%. Pour interprter les rsultats, observez la courbe : si la courbe ne sort pas du corridor, on accepte lhypothse nulle et conclut que le modle est structurellement stable. Le graphique indique aussi la priode de stabilit. La statistique de CUSUM au carr ou CUSUMSQ teste la stabilit ponctuelle du modle. Ce test est fond sur la somme cumule du carr des rsidus rcursifs. Apres avoir effectu le test, vous aurez un rectangle avec un corridor pointills. Si la courbe sort du corridor, il faut conclure que le modle est ponctuellement instable. La statistique de CUSUMSQ donne avec prcision lanne ou les annes dinstabilit.
Fvrier 2008 E-1113
40
2.3.4
Analyse des 12 statistiques du tableau des rsultats

Lorsquon procde lestimation des fonctions de comportement sous EViews, pour chaque quation, EViews livre 12 statistiques dans un tableau : Rsquared , Adjusted R-squared , S.E. of rgression , Sum of squared resid , Log likelihood , Durbin-Watson stat , Mean dependent var , S.D. dependent var , Akaike info criterion , Schwarz criterion , Fstatistic et Prob (F-statistic) . On doit interprter et analyser ces 12 statistiques pour tre en mesure de jauger la qualit et performance de chaque fonction de comportement. Le coefficient de dtermination R R-squared indique le pourcentage de la variation totale de la variable dpendante qui est explique par les variables indpendantes de lquation ou fonction de comportement du modle. La valeur 2 2 de R varie entre 0 et 1. Si le coefficient de dtermination est gal zro (R =0), on peut conclure que les variables explicatives de lquation nexpliquent 2 pas la variation de la variable dpendante. Par contre si R =1, ceci indique que les variables indpendantes expliquent toutes les variations de la variable dpendante. Mais, avant de conclure, on effectuera tous les tests (tests diagnostics sur les rsidus, tests de restriction sur les coefficients et les tests de stabilit) et on vrifiera aussi que les variables explicatives ont un fondement thorique de science conomique. Si les tests sont probants et que lquation est alimente par une thorie conomique, alors on conclut que le modle de rgression est parfait et peut tre utilis pour lanalyse et les projections. Cette double prcaution est trs utile et fortement recommande. Dans une qute dobtenir un coefficient de dtermination lev, on fait un recours abusif aux variables muettes. Mais surtout, on est souvent tent dajouter des variables explicatives dans lquation ou fonction de comportement (mme si les nouvelles variables explicatives ajoutes ont, selon toute vidence, rien voir dans lexplication de la variable dpendante). Ceci conduit dabord la super spcification et au problme de multicolinarit : les variables explicatives peuvent tre trs fortement corrles entre elles ou multiples les unes des autres. Le problme se pose avec beaucoup dacuit pour les modles, aliments par des sries temporelles, car les variables explicatives peuvent avoir des liens trs forts, simplement parce quelles suivent une mme tendance.
2
Fvrier 2008 E-1113
41
La multicolinarit cre trois srieux problmes au modlisateur : souvent, il surgit un problme de calcul grave selon lequel il devient impossible de calculer les coefficients de rgression des variables explicatives (car la matrice des variables explicatives ne sinverse pas et son dterminant a une valeur de zro). Ensuite, cette procdure rduit le degr de libert et amoindrit fortement la capacit du modlisateur de rduire la variation rsiduelle du modle ; les coefficients ou paramtres estims sont extrmement instables. Il suffit dun changement mineur dans la srie des donnes (chantillon) pour aboutir une forte modification de lestimation ; la variance est trs grande et les t-statistiques (t de Student) sont sousestims, laissant croire que les variables incrimines ne sont pas significatives.
Cest pour toutes ces raisons, quon fait plus confiance au coefficient de dtermination ajust aux degrs de libert. La statistique R2 ajuste Adjusted R-squared reflte mieux la vraie performance de lquation ou fonction de comportement du modle. Le R-carr ajust tente dannuler le biais induit par lajout des variables explicatives. La statistique R-carr ajuste augmente avec le pouvoir explicatif du modle et diminue avec les pertes en degr de libert. Cette statistique nest fournie quen calculs homoscdastiques. En gnral, si la fonction de comportement est bien spcifie, les valeurs de deux statistiques R2 et R2 ajustes sont proches. Lerreur type de la rgression S. E. of rgression est peu prs lerreur type des rsidus de rgression. Cette statistique qui reflte la taille typique de rsidus mesure lajustement dans les units de la variable dpendante (variable expliquer). Lerreur type contient lunit de rsidu et de la variable dpendante, aide mesurer la dispersion des rsidus et aussi de leur taille moyenne. Comme lindique Julliard (2007), il y a deux mthodes pour calculer les erreurstypes du modle : la formule de White estampille formule robuste lhtroscdasticit- et la formule particulire en cas dhomoscdasticit. En pratique, comme les deux formules sont diffrentes, on obtient diffrentes valeurs pour les erreur-types de lestimateur. Si les erreurs sont homoscdastiques, les deux formules concident lorsque le nombre des donnes (observations) tend vers linfini. Dans ce cas, si on utilise la formule robuste lhtroscdasticit, on obtient des erreur-types fiables et crdibles. Par contre, si les erreurs sont htoscdastiques et quon utilise la formule particulire aux erreurs homoscdastiques, les erreur-types de lestimateur seront fausses. Lcart type rsiduel est gal la racine carre de la variance rsiduelle. C'est une estimation de l'erreur commise sur la mesure de la variable endogne ou dpendante (erreur de mesure quon a voqu dans la section estimation, tests et simulation).
Fvrier 2008 E-1113
42
Cette erreur est suppose constante et indpendante de la variable dpendante (hypothse dhomoscdasticit : lorsque la variance conditionnelle du rsidu est constante, on dit que les erreurs sont homoscdastiques, Dans le cas contraire, elles sont htoscdastiques). La somme des carrs des carts rsiduels Sum of squared resid calcule les valeurs observes et estimes de la variable dpendante. Cette relation fait apparatre la somme des carrs des carts comme une fonction des paramtres ou coefficients estims par le modle. Lorsque cette fonction est minimale, les drives par rapport ces paramtres s'annulent. Comme vous avez utilis les MCO pour estimer les fonctions de comportement, retenez que la mthode des MCO consiste estimer les valeurs des paramtres qui rendent minimale la somme des carrs des carts rsiduels.
http://www.multimania.com/comuweb
Le concept de vraisemblance joue un rle central dans l'estimation des paramtres d'un modle, aussi bien dans le domaine prdictif que le domaine descriptif. Supposons, que vous avez un chantillon (srie des donnes ou nombre dobservations) et que votre chantillon suit une distribution normale N(0,1). Supposons par ailleurs que ni la moyenne, ni la variance de cette loi ne soient connues. Comment estimer les valeurs de ces paramtres ? Plusieurs approches sont possibles, mais la plus importante est celle qui va attribuer ces paramtres les valeurs qui rendent maximale la vraisemblance de la loi (au vu de l'chantillon). Cette mthode s'appelle tout naturellement la Mthode du Maximum de Vraisemblance. Toutefois, dans la pratique, il est souvent plus commode d'utiliser le logarithme de la vraisemblance Log likelihood plutt que la vraisemblance elle-mme. Le Log likelihood ou Log-vraisemblance est considr comme fonction de la moyenne et de la variance, et on recherche les valeurs de ces deux paramtres qui conduisent la valeur la plus grande possible de L (qui atteint son maximum pour les mmes valeurs de la moyenne et la variance, car le logarithme est une fonction monotone croissante), qui indique la qualit du modle en terme de facilit destimation. A cette fin, on recourt au calcul infinitsimal. On fait des drives premires et secondes avec comme objectif naturellement- dannuler les drives partielles de la vraisemblance par rapport aux deux paramtres. La statistique de Durbin-Watson Durbin-Watson stat , a t voqu la section test dauto corrlation des rsidus. La moyenne de la variable dpendante Mean dependent var , rsume la tendance centrale de la variable endogne (explique). Si nous tenons pour acquis que la variance de l'estimateur tend vers 0 quand la taille de l'chantillon tend vers l'infini, la notion d'estimateur convergent veut alors simplement dire que la moyenne de la distribution de l'estimateur tend vers la convergence quand la taille de l'chantillon tend vers l'infini.
Fvrier 2008 E-1113
43
La dviation standard de la variable dpendante S.D. dependant var mesure la variation de la variable endogne explique par le modle. En particulier, plus la dviation standard est petite et plus la qualit du modle est meilleure. Sa valeur est toujours fonction de l'unit de mesure de la variable dpendante et tient galement compte des erreurs exprimentales, ce qui explique qu'une valeur trop petite n'ait aucune signification. Il y a plusieurs critres dinformation qui sont conus pour aider le modlisateur choisir entre diffrents modles conomtriques. Les plus couramment utiliss sont : le critre dinformation de Akaike, Hannan et Quinn, Hurvich et Tsai, et le critre de Schwarz. Ces critres sont bass sur des chantillons observs et peuvent servir slectionner le meilleur modle parmi un ensemble de modles possibles. Lorsque le vrai processus gnrateur de donnes se trouve dans cet ensemble et que lchantillon est assez grand par rapport au nombre de paramtres, le rle de ces mthodes est clairement de lidentifier parmi toutes les possibilits contenues dans lensemble. Il est donc naturel de chercher valuer la convergence de diffrents critres, cest--dire la convergence de lordre des modles estims par rapport lensemble des vrais processus (Galbraith et Zinde-Walsh 2004). Les critres dinformation dAkaike Akaike info criterion et Schwarz Schwarz criterion sont programms dans le logiciel EViews. Le critre dinformation de Akaike, a un indice qui contient le log-vraisemblance maximis et le nombre de paramtres ou coefficients du modle. Cet indice prend en compte dune part la qualit de la rgression et dautre part le nombre ncessaire des coefficients, qui doivent tre estims, pour obtenir le meilleur estimateur, tout en pnalisant le recours un nombre trop lev des paramtres. Une valeur faible de lindice implique que le modle en question, comporte peu de paramtres mais fournit la meilleure estimation. En pratique, si on a plusieurs modles en concurrence, on choisira le modle qui a la plus faible indice. La statistique de Fisher F-statistic a t abord dans la section test de restriction sur les coefficients, tout comme la probabilit de Fisher, la p-value Prob (F-statistic) . Outre ces 12 statistiques, le logiciel EViews calcule aussi les statistiques suivantes : La somme des carrs des rsidus Sum of squares dvoile les trois sources de la variance : celle du modle, celle des rsidus et le total des deux (modle et rsidus). La racine de l'erreur quadratique moyenne Root of Mean Square Error montre lcart type des rsidus. Cette statistique est trs proche de lerreur type de rgression. En effet, il ny a pas de diffrence entre les deux statistiques quand le nombre des observations est grand (la taille de lchantillon est grande).
Fvrier 2008 E-1113
44
Lerreur standard de lestimation Standard Error of Estimate est un indice de dispersion des valeurs prdites. Il est gal lcart type des valeurs prdites divis par la racine carre du nombre dobservations. On utilise lerreur standard plutt que lcart type afin de pouvoir comparer des modles ne comportant pas le mme nombre dobservations. Lerreur standard Standard error sert calculer la valeur de t en vue de tester si le coefficient est significativement diffrent de zro. Cette statistique sert aussi calculer les intervalles de confiance des coefficients (c'est--dire la probabilit que la valeur vraie du coefficient soit comprise dans un intervalle dfini). 2.4 Simulation La simulation est ltape la plus difficile pour tout modlisateur. Des questions invariablement se posent : comment juger la performance dun modle simul ? Quels sont les tests utiliss ? Quels sont les critres de convergence et dvaluation ? Le problme se corse un peu plus pour un modle structurel plusieurs quations. Si on a un modle quasi-comptable, on peut procder directement la simulation du modle. Quand on a un modle conomtrique quations multiples de petite taille, on peut mathmatiquement rsoudre le modle, sans passer par la simulation. On recourt lalgbre matricielle et aux calculs infinitsimaux pour obtenir la solution du modle. Ceci peut aider faire des prvisions. On peut aussi faire lanalyse des politiques dimpact partir de la forme rduite du modle. Cependant quand on a un modle taille moyenne ou de grande taille de surcrot non-linaire-, il est impossible de le rsoudre sans passer par la simulation. Tout modle compos de fonctions de comportement et dquations comptables, de dimension moyenne ou grande, passe par deux tapes : ltape de lestimation des fonctions de comportement et ltape de simulation. Apres ltape destimation et les tests qui y sont associs, on doit soumettre le modle (fonctions de comportement et quations comptables) aux tests de convergence. Il y a deux cas qui arrivent souvent. Dans le premier cas, on a une belle performance des fonctions de comportement (coefficient de dtermination ajust lev, divers tests probants et amplitude et signes attendus des coefficients estims confirms) et on espre rpliquer cette performance ltape de simulation. Dans le deuxime cas, la performance des fonctions de comportement nest pas satisfaisante, mais on procde quand mme la simulation.
Fvrier 2008 E-1113
45
Il arrive souvent que le modle avec des fonctions de comportement performantes choue et ne passe pas les tests de convergence. Par contre, le modle avec la pitre performance au niveau des quations de comportement- passe avec succs les tests de convergence. Le constat en est simple : la performance des quations individuelles nest pas transposable au niveau des tests de convergence. La raison en est tout aussi simple : la simulation dun modle a ses proprits dynamiques, ses mcanismes de transmission et ses critres dvaluations, qui nont aucun lien avec la performance des quations individuelles qui composent le modle. La simulation dun modle, consiste trouver la solution mathmatique du modle. Le processus est bas sur la simultanit des quations diffrentielles. Une quation diffrentielle dun modle consiste relier la valeur courante (au temps t) dune variable aux valeurs courantes et passes (temps t, t-n) des autres variables du modle. A partir des valeurs initiales des variables endognes et les sries chronologiques des variables exognes, le modle est squentiellement rsolu au del dune certaine priode- de fournir une solution lensemble des variables endognes (variables expliquer). Il y a deux sortes de simulations : la simulation statique et la simulation dynamique. La simulation statique lors du processus de rsolution- utilise les valeurs des variables endognes retardes. Le grand avantage de cette approche est que les erreurs ne saccumulent pas et toute diffrence pour chaque priode- entre les valeurs observes et simules des variables, est directement imputable au modle. De ce point de vue, la simulation statique offre une mthode simple et claire pour la validation du modle (test de convergence). La simulation statique est imparable pour la solution du modle pendant la priode historique (nombre de donnes statistiques couvrant la priode historique), cause de sa capacit reproduire presque fidlement les valeurs observes du modle. Toutefois, cette approche est totalement inapplicable pour la priode de projection, simplement parce que les valeurs observes des variables endognes pendant la priode de prvision- demeurent inconnues. La simulation dynamique peut tre regroupe en deux catgories : la simulation dynamique dterministe et la simulation dynamique stochastique. La simulation dynamique dterministe comporte un processus de rsolution, dans lequel les valeurs des variables endognes retardes gnres par le modle sont utilises dans les priodes successives. La simulation dynamique stochastique est de loin, plus performante et plus puissante que la simulation dynamique dterministe. Cependant, cette approche, exige pour chaque quation du modle, la spcification dune distribution de probabilit pour les rsidus ou termes derreur additifs et pour chaque coefficient estimer et rpter le processus de simulation plusieurs fois, afin de sassurer de la validit du modle (convergence du modle).
Fvrier 2008 E-1113
46
Le modlisateur doit choisir le type de simulation, quil veut utiliser et justifier son choix en fonction de la nature de son modle. Il doit aussi choisir lalgorithme qui laidera solutionner mathmatiquement le modle. Il y a plusieurs algorithmes dont les plus utiliss sont: Gauss-Seidel, Gauss-Newton, Newton-Raphson, Fletcher-Powell, Jacobi et Gibss. La simulation dterministe et stochastique est programme dans EViews. Tout comme les algorithmes de rsolution : Gauss-Seidel et Newton. Aprs avoir choisis le type de simulation et le logarithme de rsolution, soumettez votre modle au test de convergence, qui consacrera sa validit globale ou le rejettera. Le test de convergence repose sur deux conditions de tolrance essentielles. Le modle converge quand la variation proportionnelle ou absolue de chaque variable est infrieure la tolrance (premire condition) et quand la somme aux carrs des rsidus est minimise (deuxime condition). Si les deux conditions de tolrance ne sont pas satisfaites, le modle implosera et ne convergera pas. En cas de non-convergence du modle, le logiciel EViews aide le modlisateur en lui indiquant ce qui bloque : par exemple, telle variable nexiste pas mais figure dans le programme de rsolution. Mais, il arrive souvent quEViews ne donne aucune information. Le modlisateur est abandonn lui-mme et peut passer des heures voire des jours - sans dbloquer la situation. Le modlisateur doit bien connatre dans le moindre dtail- la spcification du modle. Il faudra revisiter la spcification et la confronter avec le programme de rsolution : les quations du modle doivent tre bien ordonnes, les variables dpendantes et explicatives bien identifies. Il faut bien identifier les variables endognes et les variables exognes. Le modlisateur doit si ncessaireretourner ltape de lestimation ou rgression des fonctions de comportement. Ici, le test de Ramsey quon a dj voqu- savre utile. Il peut aider amliorer la spcification, cest--dire, se dbarrasser des variables explicatives inutiles, en inclure dautres et vrifier la forme mathmatique quil a impos au modle. Il faudra aussi vrifier la base ou banque des donnes statistiques pour sassurer que les donnes statistiques qui sont senses nourrir les variables du modle existent. Sassurer aussi quil ny a pas des erreurs de frappe . Le modlisateur doit tre guid par cette double rgle dor : le nombre dobservations ou donnes statistiques de la srie doit tre suprieur au nombre des variables explicatives du modle et le nombre des quations (fonctions de comportement, quations comptables, relations triviales) doit tre gal au nombre des variables endognes dpendantes).
Fvrier 2008 E-1113
47
Si le modle converge, le modlisateur doit procder lvaluation du modle, cest- -dire comparer les valeurs des variables simules par le modle et celles observes (donnes statistiques collectes, qui ont servis alimenter le modle). Lvaluation doit se faire seulement sur la priode historique, cest-dire la priode dobservation. Si lchantillon du modle est par exemple 19802000, la simulation ou solution mathmatique du modle ne concerne que cette priode (simulation historique). Le modlisateur peut aussi procder lvaluation ex-post. Cette procdure consiste comparer les valeurs prdites par le modle des donnes statistiques actuelles (collectes), qui nont pas t utiliss lors de lestimation du modle (valuation faite hors de la priode de lchantillon). Le processus dvaluation quon analyse ici, concerne uniquement la simulation historique : on compare les valeurs observes des variables avec celles simules par le modle, couvrant exclusivement la priode historique (nombre des donnes et priode temporelle qui constitue lchantillon du modle). La diffrence entre les valeurs simules et observes, peut tre importante pour deux raisons majeures : (i) le modle peut tre moins efficace traquer le mouvement et la dynamique des variables endognes et (ii) les erreurs qui saccumulent pendant le processus de rsolution cause des substitutions successives des quations et cause aussi de lutilisation des variables dpendantes retardes. La premire raison peut tre attribue la qualit de la srie temporelle ou une erreur de spcification et la deuxime raison est exclusivement imputable au choix de simulation. Notez que lcart entre les valeurs observes et estimes, a tendance samplifier, quand on utilise la simulation dynamique dterministe. Rappelons aussi que lapproche de modlisation dterministe suppose lexistence dune relation fonctionnelle entre les variables observes. Lobservation des variables se fait par une srie de mesures entaches derreurs. Lhypothse sous-jacente est que la relation fonctionnelle est simple et que les erreurs sont homognes et indpendantes. Chaque observation est donc la somme dune valeur dterministe et du tirage alatoire de lerreur de mesure. Lapproche de modlisation stochastique gnralise la dmarche en considrant que les observations sont le rsultat dun tirage alatoire mais que les variables considres ne sont pas ncessairement indpendantes (Goreaud et Lang 2006). Lvaluation du modle est une tape ncessaire pour jauger lamplitude de lcart entre les valeurs des variables observes et simules. Lcart entre les valeurs doit tre minime. Si lcart est norme, on conclut que le modle a chou reproduire les valeurs observes des variables dpendantes. Rappelons que le modlisateur doit se concentrer sur les variables endognes.
Fvrier 2008 E-1113
48
La simulation historique peut tre trs utile pour lanalyse des politiques dimpact et la projection. Si le processus dvaluation est concluant, on peut utiliser le modle pour les prvisions (lide sous-jacente est que si le modle est capable de rpliquer correctement les tendances de la priode historique, il est aussi capable de faire des prvisions fiables). Il y a plusieurs techniques pour valuer le modle : le Diagramme-RalisationProjection (DRP), Coefficient dIngalit de Theil (CIT), Erreur Absolue Moyenne (EAM) et Racine de lErreur Quadratique Moyenne (RMSE). Le DRP est conu pour dtecter lerreur de points de cassure ou rupture turning point error et pour dterminer la sous-estimation ou la surestimation des variables endognes. Deux erreurs des points de cassure peuvent merger. Quand un modle prdit une variation positive (croissance de la valeur simule de la variable) alors que la variation de la valeur observe de la mme variable dcrot (la valeur de la variable que vous avez dans votre base des donnes), on peut conclure que le modle a chou de capturer correctement lerreur des points de cassure. Le DRP peut aussi identifier lincapacit du modle capturer la transformation structurelle de lconomie. Le CIT est une statistique systmatique pour valuer la capacit du modle prdire :
0U1
La valeur U du CIT est comprise entre 0 et 1. Lutilisation de U comporte quelques avantages. Dabord la valeur de U renseigne sur laptitude du modle prdire. Quand U=0, on conclut que le modle prdit correctement la variation de la valeur des variables. Quand U=1, le modle prdit une variation nave , cest--dire quil ny a pas de variation de la valeur des variables endognes. La capacit prdictive du modle est donc mauvaise. Ensuite, le coefficient U est capable de reprer et pnaliser les biais linaires, responsables de la sous/surestimation des prvisions. Enfin, on peut dcomposer le numrateur de U en trois composantes pour identifier les sources des erreurs: la proportion de lerreur lie au biais (Um), la proportion de lerreur due la variance (Us) et celle provenant de la covariance (Uc).
Fvrier 2008 E-1113
49
La somme de ces trois composantes doit tre gale 1. La proportion de lerreur Um mesure la moyenne des valeurs observes et simules de la variable et indique la dviation de lcart par rapport la moyenne. Dans ce sens, elle constitue une bonne indication de lerreur systmatique. Dune manire optimale, cette statistique tendra vers zro. La proportion de lerreur Us renseigne sur lhabilit de rpliquer correctement la valeur de la variable (la valeur de la variable simule par le modle doit tre proche de celle observe). Si la simulation est bonne, Us tend vers zro. La proportion Uc est proche de 1 quand la simulation du modle samliore sensiblement. Uc mesure les erreurs non-systmatiques. Lanalyse de ces trois sources derreurs peut aider le modlisateur pour amliorer la fiabilit des prvisions. Si lcart entre la valeur observe et simule de la variable est imputable au biais ou la variance, le modlisateur peut injecter des informations additives dans le modle pour rduire lerreur de prvision. Par contre, si lcart est le rsultat de la covariance, le modlisateur est appel a faire plus de recherche, rexaminer la spcification de son modle et faire plusieurs simulations jusqu' ce que lcart des valeurs simules et observes, soit rduit. Le numrateur de U est le RMSE. La statistique RMSE est trs populaire et souvent utilis pour valuer la capacit prdictive du modle :
o:

Yst= la valeur simule de la variable Yt Yqt= valeur observe ou actuelle de la variable Yt T = nombre dobservations
La statistique RMSE nest pas sous contrainte comme le coefficient dingalit de Theil dont la statistique U est confine entre 0 et 1. Le RMSE est trs pris, parce quil est peru comme un indicateur fiable, dfinissant le niveau de prcision du modle. Le RMSE mesure lcart des valeurs simules des variables par le modle par rapport aux valeurs observes, en donnant notamment une ide prcise de la dispersion entre les deux. Un RMSE faible signifie que lcart est faible. Ceci signifie aussi que le RMSE est faible par rapport lcart type de la variable endogne, ce qui reflte la trs bonne qualit explicative du modle. Un RMSE gal zro indique que les prvisions du modle sont parfaites et fiables.
Fvrier 2008 E-1113
50
Vous avez russi la convergence du modle. Ceci confirme que votre modle a pass avec succs les deux conditions de tolrance. Cest qui est une bonne nouvelle. Mais une bonne nouvelle moiti seulement. Pour que la bonne nouvelle soit effective et totale, votre modle doit satisfaire les critres dvaluation. Supposons que vous avez choisis la racine de lerreur quadratique moyenne (RMSE) et le coefficient dingalit de Theil (CIT) comme critres dvaluations, vous obtiendrez des rsultats soit en forme des graphiques ou en valeurs. Vous devez slectionner les variables endognes cls et analyser lcart entre les valeurs simules et observes de ces variables. Vous devez accorder une attention singulire aux variables du secteur rel, finances publiques, situation montaire et balance des paiements. Ces quatre comptes comportent beaucoup dagrgats macroconomiques et financiers, qui impliquent des additions ou soustractions des variables individuelles qui les composent. Ceci pose quelques problmes. Quand on procde lvaluation, on constate souvent que les agrgats macroconomiques comme le produit intrieur brut, revenu national disponible, solde courant des finances publiques, crances nettes sur lEtat, solde de la balance des oprations courantes et la demande totale du travail, donnent les meilleurs rsultats, compars leur variables individuelles respectives, parce que les erreurs des variables individuelles se compassent et sannulent au cours du processus dagrgation. Des larges erreurs de simulation affectent souvent des variables des finances publiques, situation montaire et balance des paiements cause de la nature de volatilit des variables, qui complique la tache du modle bien les traquer . Si les critres dvaluation sont concluants, cest--dire, votre modle a reproduit avec succs les valeurs observes des variables endognes, avec un cart des valeurs simules et observes minime, vous pouvez procder lanalyse macroconomique des rsultats de simulation. Malgr son cot apparemment rtrospectif, la simulation historique peut tre trs utile. Supposons que la priode dobservations est 1980-2000. Votre simulation historique couvre cette priode. Supposons que pendant cette priode les politiques macroconomiques poursuivies (politique de change, montaire et budgtaire) nont pas atteint les objectifs escompts, en termes de taux de croissance conomique, cration demplois, stabilit des prix et quilibre interne (budget) et externe (balance des paiements). Lintrt de la simulation historique peut rpondre cette question : et si les politiques macroconomiques taient diffrentes ? Ceci peut aider dans lavenir dviter les erreurs du pass. Ceci nous amne lexercice de la projection du modle. Si lobjectif du modlisateur est danalyser ce qui sest pass pendant la priode 1980-2000 et den tirer des leons, il peut sarrter ici. 51
Fvrier 2008 E-1113
Mais si lobjectif du modlisateur est de simuler le pass pour mieux prparer lavenir, alors son modle doit tre aussi construit pour les prvisions. Rappelons quun modle peut tablir dexcellentes prvisions lintrieur de lchantillon (priode historique), il nen dcoule pas automatiquement que a sera le cas, si le mme modle est utilis pour les projections. Lutilit dun modle de prvision dpend finalement de la capacit de celui-ci faire des projections au del de lchantillon de la priode historique.
Fvrier 2008 E-1113
52
ESTIMATION DU MODELE LINEAIRE A UNE EQUATION SOUS EVIEWS Les ateliers de formation du projet se sont focaliss sur diffrentes activits. La spcification dun modle linaire une quation: concepts et analyse. La saisie des donnes sur Excel (feuille dentre), la cration de workfile et limportation des donnes par le logiciel Eviews . Lestimation du modle et les tests, notamment les tests de diagnostics sur les termes derreur (rsidus), de restriction sur les coefficients et sur les tests de stabilit. Des analyses approfondies ont t faites sur les rsultats de lestimation du modle, les diffrents tests et surtout linterprtation de ces rsultats sur le plan macroconomique.
3.1
Spcification et hypothses Considrons la fonction de consommation suivante :
C = a + bY + c P +
avec Y= le revenu et P= prix. est le terme derreur (ou rsidu), il capte lensemble de variables explicatives non prises en compte dans la spcification. Les hypothses sur le terme derreur : Moyenne nulle (les erreurs se compensent);

doit avoir une variance constante (hypothse d homoscdasticit); Les doivent tre indpendantes (les erreurs au temps t ne sont
influences par les erreurs au temps t-1) ; Les
pas
suivent une distribution normale.
3.2
Etapes suivre pour estimer le modle avec Eviews Pendant le programme de formation du projet, les participants ont appris la procdure suivre et les commandes de base EViews pour le traitement informatique du modle. On peut excuter les commandes EViews soit par lapproche menus, soit par lapproche programme. Les cinq quipes de participants la formation ont travaill avec lapproche menus .
Fvrier 2008 E-1113
53
3.2.1
Saisie de donnes sous Excel (feuilles dentre)

Les donnes statistiques sont saisies dans EXCEL. Il faut bien noter trois choses :

La priode des observations ; Le nombre de variables ; Le nom des variables.
Dans notre exemple, nous avons trois variables C, Y et P. Aprs avoir not ces trois lments, fermez EXCEL.
3.2.2
Importation des donnes

Lancez EViews. Crer un workfile : Slectionner File/New/Workfile , comme indiqu cidessous
Apres avoir valid on obtient lcran suivant :
Fvrier 2008 E-1113
54
Dans la fentre Start date, entrez la date ou lanne de dbut de vos sries. Et dans la fentre End date, entrez la date de fin de vos sries. Aprs avoir rentr les dates, cliquez sur OK pour valider et voici le tableau que vous obtiendrez.
Maintenant, il faut importer les donnes dEXCEL. Slectionnez File/Import/Read Text-Lotus-Excel
Fvrier 2008 E-1113
55
Indiquez le fichier EXCEL o se trouvent vos donnes et cliquez sur ouvrir (open), vous obtiendrez la fentre suivante :
Quand vous cliquez sur OK (valider), voici ce que vous obtenez :
Fvrier 2008 E-1113
56
Les donnes apparaissent dans le workfile et nous pouvons maintenant passer aux estimations. Il faut toujours enregistrer ou sauvegarder le workfile . Pour cela, cliquez sur Save et donnez le nom du Workfile .
3.2.3
Estimation sous Eviews

A ltape de lestimation, vous pouvez choisir lune des trois formes : niveau, logarithmique et semi-log. Ici nous allons faire lestimation en log. Lavantage de cela est dobtenir une transformation linaire dun modle non linaire et dobtenir directement les lasticits. Cependant, il faudrait noter quune fois les simulations faites, il faudrait revenir aux valeurs en niveau en prenant les exponentielles. Le modle ici est linaire. Nous avons estim le modle en niveau et en logarithme. Lestimation en logarithme nous donne les lasticits partielles. Pour estimer lquation, il y a deux faons de faire :
Slectionnez les variables en commenant par la variable endogne ; clic droit et slectionnez Open as Equation .
Fvrier 2008 E-1113
57
Quand vous cliquez sur as Equation , vous obtenez le tableau ci-dessous.
Dans cette estimation, vous avez choisi les moindres carrs ordinaires et vous faites une estimation en niveau. Si vous cliquez sur OK, vous aurez les rsultats des estimations, mais en niveau. Si vous voulez les estimations en log, vous pouvez cliquer directement sur la fentre, comme indiqu :
Fvrier 2008 E-1113
58
Quand vous cliquez sur OK, vous obtenez les rsultats suivants :
Vous pouvez maintenant procder aux diffrents tests.
Fvrier 2008 E-1113
59
3.3
Tests sur le modle
3.3.1
Tests diagnostics sur les termes derreurs

- Test de normalit Selectionnez View/Residuals Tests/Histogram-Normality Test
Fvrier 2008 E-1113
60
7 6 5 4 3 2 1 0 -0.1 0.0 0.1
Series: Residuals Sample 1980 2002 Observations 23 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 3.98E-15 0.000345 0.140620 -0.109640 0.050128 0.443949 4.582941 3.156813 0.206304
Dans le tableau de droite, vous avez les trois statistiques : Skewness, Kurtosis et Jarque-Bera. Le Jarque-Bera a une probabilit de 0,206 qui est suprieure 0,05=5%, ce qui veut dire quon accepte lhypothse nulle de normalit des termes derreurs ou rsidus. Observez les valeurs de deux statistiques Skewness et Kurtosis et pour lanalyse et linterprtation de ces deux statistiques, referez-vous la section : Test de normalit. Test dhtroscdasticit Pour revenir au tableau des estimations, cliquez sur Stats. Slectionnez View/Residuals Tests/White Heteroskedasticity
Fvrier 2008 E-1113
61
Apres avoir cliqu, vous obtenez les rsultats suivants :
La probabilit du test de White est ici de 0,379, qui est suprieure a 0,05=5%, ce qui veut dire quon accepte lhypothse nulle dhomoscdasticit des rsidus ou termes derreurs. - Test dauto corrlation Nous avons ici trois tests : Durbin-Watson, le test de Ljung-Box (analyse du corrlogramme et du Q-Stat) et le test de Breusch-Godfrey.
Fvrier 2008 E-1113
62
- Test de Durbin-Watson La statistique de DW est donne directement dans le tableau des rsultats (DW=2.907581). Pour mieux interprter et analyser la statistique DW, vous pouvez, vous referez la section : Test dauto corrlation des rsidus du texte. Vous pouvez aussi analyser les 11 autres statistiques du tableau des rsultats : R-squared , Adjusted R-squared , S.E. of regression , Sum of squared resid , Log likelihood , Mean dependent var , S.D. dependent var , Akaike info criterion , Schwarz criterion , F-statistic et Prob (Fstatistic) ), en vous rfrant la section : Analyse des 12 statistiques du tableau des rsultats. - Corrlogramme et du Q-Stat de Ljung-Box Slectionnez View/Residuals Tests/Correlogram-Q-Statistics
Fvrier 2008 E-1113
63
Ici on constate que seul le premier rectangle du corrlogramme sort de la bande stylis en pointills, ce qui indique une auto corrlation de 1.
Fvrier 2008 E-1113
64
- Test de Breusch-Godfrey Slectionnez View/Residuals Tests/ Serial Correlation LM-Test
Fvrier 2008 E-1113
65
La probabilit du test de Breusch-Godfrey est ici de 0,021, qui est infrieure a 0,05=5%, ce qui veut dire quon rejette lhypothse nulle de non auto corrlation des termes derreurs. En dautres termes, les erreurs sont auto-corrles dordre 1.
3.3.2
Estimation en prsence dauto corrlation des erreurs

Quatre mthodes peuvent tre utilises pour estimer le modle en cas dauto corrlation des erreurs :

Mthode itrative de Cochrane-Orcutt ; Mthode Hildreth-Lu ; Mthode du maximum de vraisemblance ; Mthode des doubles moindres carrs.
Ici nous allons appliquer la mthode itrative de Cochrane-Orcutt. Cliquez sur Estimate et ajoutez le terme AR(1) la spcification comme cela est indiqu ciaprs.
Cliquez ensuite sur OK pour valider. Vous obtenez les rsultats suivants :
Fvrier 2008 E-1113
66
3.4
Tests de restrictions sur les coefficients On a plusieurs types de tests de restrictions :

Test de significativit globale (test de Fisher) ; Test de significativit des coefficients individuel (test de Student) ; Test de restrictions linaires.
3.4.1
Test de significativit globale (test de Fisher)

La statistique de Fisher apparat directement dans le tableau des rsultats. Sa probabilit est infrieure 0,05, donc les coefficients sont globalement significatifs.
3.4.2
Test de significativit des coefficients individuels (test de Student)

Les coefficients sont individuellement significatifs si leur probabilit est infrieur 0,05. Ces probabilits apparaissent dans la dernire colonne du tableau des rsultats (Prob avant le t-Statistic). Ainsi, seul le coefficient du revenu est significatif dans le modle. En effet, la Prob de la variable explicative GDP est gal 0,0000 donc infrieur au seuil de signification de 5% soit 0,05 et la tStatistic est trs largement significatif au del de 1,96. Par contre la variable explicative PRIX nest pas significative, sa Prob est suprieur 0,05 et son tStatistic largement infrieur 1,96.
Fvrier 2008 E-1113
67
Pour la statistique de Fisher et Student, vous pouvez vous rfrer la section : Test de restriction sur les coefficients du texte. 3.5 Tests de stabilit
3.5.1
Tests de Chow
Selectionnez View/Stability Test/Chow Breakpoint
A ce niveau, vous devez connatre la tendance de vos sries et reprer le point de rupture que vous devez indiquer dans la fentre qui souvre. Voici lexemple :
Pour nos donnes, lanne de rupture est 1993. Cliquez sur OK pour valider. Vous obtenez le tableau ci-dessous :
Fvrier 2008 E-1113
68
La probabilit du test de Chow est de 0,6141 qui est suprieure 0,05, donc on accepte lhypothse de stabilit structurelle du modle.
3.5.2
Test CUSUM
Slectionnez View/Stability Test/Recursive Estimates
Apres avoir slectionn, cochez CUSUM test comme indiqu ci-dessous :
Fvrier 2008 E-1113
69
Cliquez ensuite sur OK pour valider et vous obtenez le graphique ci-dessous :

15 10 5 0 -5 -10 -15 84 86 88 90 92 94 96 98 00 02 CUSUM 5% Significance
La diffrence entre le test CUSUM et le test de Chow est que le test de Chow demande quon indique lanne de rupture, alors que le test de CUSUM vous lindique. Si la courbe sort du corridor, il y a instabilit du modle. Ici, vous constatez que la courbe ne sort pas de la bande, on peut donc conclure que le modle est stable sur toute la priode. Pour plus de dtail sur ces tests, referez-vous la section : Test de stabilit du texte.
Fvrier 2008 E-1113
70
RENFORCEMENT DES CAPACITES : MODELE A SIX EQUATIONS (MODELE DE LAWRENCE KLEIN) Lobjectif principal du programme de formation du projet tait lacquisition des concepts et des commandes EViews par les participants afin de traiter un modle quations multiples. Le traitement dun modle structurel ncessite lexistence dune base des donnes, lestimation des fonctions de comportement, linsertion des quations comptables et la rsolution du modle. La formation du projet sest articule autour des tches suivantes : Saisie des donnes sur Excel (feuilles dentres) ; Estimation des fonctions de comportement : - Importation de la base des donnes par EViews (depuis Excel) - Estimation des fonctions de comportement - Application des diffrents tests, interprtation et analyse Ecriture de rsolution globale du modle : - Insertion des quations comptables - Choix du type de simulation - Choix de lalgorithme de rsolution - Test de convergence ou validation du modle Critres dvaluation du modle ; Mthode de projection ; - Choix de projection : statique ou dynamique - Choix de la priode de projection ou prvisions - Traitement des variables exognes Elaboration des scnarios : - Scnario central ou solution de base (base line solution) - Scnario alternatif I - Scnario alternatif II - Scnario alternatif III - Scnario alternatif IV Contrle des rsultats cohrence (introduction des variables de contrle) : - Exportation des rsultats de simulation et projections dEViews vers Excel - Construction des tableaux sous Excel (feuilles de sortie) - Analyse des politiques dimpacts - Mise jour du modle
Fvrier 2008 E-1113
71
Lors de la formation, on a utilis un modle six quations. A cet effet, et dans un livre publi en 1950, Lawrence Klein a prsent un modle macroconomique pour lconomie amricaine sur la priode 1921-1941. Ce modle fournit un excellent exemple pdagogique des problmes destimation et de simulation dans le cadre des modles macro-conomtriques quations simultanes. La forme structurelle de ce modle est la suivante:
Cons t = a 0 + a1 Pt + a 2 Pt 1 + a 3 (Wt + Wt g ) + 1t
p
(1) (2) (3) (4) (5) (6)
I t = b0 + b1 Pt + b2 Pt 1 + b3 K t 1 + 2 t
Wt = c 0 + c1 X t + c 2 X t 1 + c 3 t + 3t X t = Cons t + I t + Gt
p
Pt = X t Tax t Wt K t = I t + K t 1
o
Const = consommation pour lanne t ; Pt = profits raliss par les entreprises prives lanne t; Wt p = masse salariale du secteur priv pour lanne t ; Wt g = masse salariale de l'administration publique pour lanne t; I t = investissements de lanne t ; K t = stock de capital en fin de lanne t ; X t = production industrielle de lanne t ; Gt = dpenses publiques hors salaires de lanne t ; Taxt = taxes sur les profits des entreprises de lanne t.
Travail faire

Distinguez les variables endognes et les variables exognes de ce modle. Estimez les quations individuelles et procdez aux diffrents tests. Constituez un objet modle sous EViews pour simuler le modle de Klein. Simulez le modle sous les hypothses suivantes : Scnario 1 : Hausse de la masse salariale Wt g de 1 milliard, maintenue sur les 4 annes venir, les autres variables exognes restant constantes.
Fvrier 2008 E-1113
72
Scnario 2 : Hausse des dpenses publiques non salariales Gt de 1 milliard maintenue sur les 4 annes venir, les autres variables exognes restant constantes. Scnario 3 : Baisse des taxes Taxt de 2 milliards en 1942 est maintenue jusquen 1945. Scnario 4: Hausse de la masse salariale Wt g et des taxes Taxt de 1 milliard sur les 4 annes venir, les autres variables exognes restant constantes. Comparez ces diffrents scnarios. Lequel de ces quatre scnarios a le plus dimpact sur la production ? Et sur la consommation ? Examinez lvolution du solde budgtaire et discutez les rsultats des simulations. Si on se fixe un objectif de croissance annuelle de 10% sur les quatre annes venir, dterminez les mesures de politiques budgtaires pouvant tre mises en uvre pour atteindre un tel objectif. Il sagit de dterminer pour chaque variable budgtaire (dpenses publiques, salaires ou taxes), la trajectoire compatible avec lobjectif de croissance de 10% de la production. 4.1 Saisie, importation et estimations du modle Procdez, en vous inspirant des procdures et des tapes du modle une quation (section II). Lors des sances de formation du projet, les 21 cadres qui ont travaill regroups en cinq quipes ont fait la saisie des donnes, import les donnes et estim les trois fonctions de comportement du modle et ont procd tous les tests (test diagnostic sur les rsidus, test de restriction sur les coefficients et test de stabilit). Les cinq quipes ont excut ces tches sans difficults et dune manire tout fait indpendante. 4.2 Ecriture globale et rsolution du modle sous Eviews Le modle que vous avez est un modle six quations, dont 3 fonctions de comportements et trois identits comptables. Il est donc ncessaire de bien distinguer entre les variables endognes (expliques) et les variables exognes. Le nombre dquations doit tre toujours gal au nombre des variables endognes, chaque quation tant associe une variable endogne. Dautres lments doivent tre pris en compte lors de la rsolution du modle, notamment le type de simulation, le choix de lalgorithme et llaboration de scnarios.
Fvrier 2008 E-1113
73
4.2.1
Insertion des fonctions de comportement et des quations comptables

Cette section constitue ltape de la rsolution du modle. Elle consiste insrer les fonctions de comportement et les quations comptables. Pour insrer les fonctions de comportement dj estimes, slectionner ces quations dans le workfile , et slectionner Open as Model .
Lorsque vous validez vous obtenez la fentre ci-dessous :
Fvrier 2008 E-1113
74
Maintenant, nous allons insrer les identits comptables. Pour cela, cliquez droit dans le modle, slectionnez Insert . Une fentre souvre et vous y tapez les quations comptables. A la fin, cliquez sur OK pour valider. Vous obtiendrez ce qui suit.
4.2.2
Choix de simulation et de lalgorithme

EViews offre deux types de simulations : la simulation dterministe et la simulation stochastique, et la solution statique ou dynamique. De mme, EViews vous offre deux types dalgorithmes de rsolution du modle : GaussSeidel et Newton. Nous allons choisir lalgorithme de Gauss-Seidel et la simulation dynamique dterministe. Pour rsoudre le modle (recherche de la solution mathmatique du modle), cliquez sur Solve et vous obtenez lcran suivant :
Fvrier 2008 E-1113
75
Vous remarquerez droite dans le petit rectangle Baseline qui indique quil sagit de la solution de base ( Baseline solution ). Quand vous cliquez sur OK pour valider, EViews vous affiche un message indiquant le nombre ditrations, lalgorithme et le type de simulation utiliss ainsi que les dates de dbut et de fin de rsolution. Pour plus de dtail, referezvous la section : Simulation.
En regardant ce tableau vous avez lassurance que votre modle a pass le test de convergence et que la solution mathmatique du modle a t trouve (cette procdure sappelle aussi la validation du modle).
Fvrier 2008 E-1113
76
Toutefois, on na aucune preuve que le modle est capable de reproduire les valeurs historiques, cest--dire la comparaison entre les valeurs simules par le modle et celles observes. Pour ce faire, vous pouvez procder aux critres dvaluation suivants :

Root Mean Squared Error (Racine de l'Erreur Quadratique Moyenne) ; Mean Absolute Error (Erreur Absolue Moyen) ; Theil Inequality Coefficient (Coefficient dIngalit de Theil).
Pour plus de dtail sur les critres dvaluation du modle; racine de lerreur quadratique moyenne (RMSE) et le coefficient dingalit de Theil (U), referezvous la section : Simulation.
X
100 90 80 70 50 60 50 40 20 22 24 26 28 Actual 30 32 34 36 38 40 X (Baseline) 40 30 20 22 24 26 28 30 32 34 36 38 40 Actual CONS (Baseline) 80 70 60
CONS
Ce que nous venons de faire, cest ce quon appelle la simulation historique. La solution du modle comporte la priode historique (1920-1941). Contrairement lide malencontreusement rpandue, la simulation historique offre aussi la possibilit dvaluer et de quantifier des politiques conomiques alternatives. Par exemple, dans ce modle nous avons 3 variables exognes (G, Wg et Tax). Dans lexemple, la politique budgtaire poursuivie a t expansionniste comme en tmoigne lvolution du solde budgtaire :
Fvrier 2008 E-1113
77
20 15 10 5 0 -5 -10 -15 -20 20 22 24 26 28 30 32 34 36 38 40 SODBUDPIB TAUXPIB
Cette politique a engendr des dficits budgtaires persistants avec des taux de croissance conomiques globalement positifs. Que ce serait-il pass si le gouvernement avait poursuivit une politique budgtaire restrictive ?
4.3
Elaboration des scnarios et projections Dans cette section, nous simulerons les 4 scenarios suivants : Scnario 1 : Hausse de la masse salariale Wt g de 1 milliard, maintenue sur les 4 annes venir, les autres variables exognes restant constantes ; Scnario 2 : Hausse de dpenses publiques non salariales Gt de 1 milliard maintenue sur les 4 annes venir, les autres variables exognes restant constantes ; Scnario 3 : Baisse des impts Taxt de 2 milliards en 1942 est maintenue jusquen 1945 ; Scnario 4: Hausse de la masse salariale Wt g et des impts Taxt de 1 milliard sur les 4 annes venir, les autres variables exognes restant constantes. Pendant les sances de formation du projet en 2007, nous avons procd avec les autorits burundaises des simulations des quatre scnarios (7-8-9-10eme sessions). Ici, nous rptons les tapes pour le scnario 1. Pour crer un scnario, slectionnez View/Scenario et une fentre va souvrir. Cliquer sur Create New Scenario .
Fvrier 2008 E-1113
78
Cliquer ensuite su OK pour valider. Maintenant il faut prciser les valeurs prises par les 3 variables exognes sur la priode de projection. Dans le scnario 1, les salaires de ladministration publique (Wg) augmentent de 1 milliard en 1942 et restent constantes sur les priodes suivantes. Notez que les autres variables exognes (G et Tax) gardent leurs valeurs actuelles. La premire des choses faire, cest dtendre lchantillon, cest--dire dajouter la priode historique la priode de projection. Ici on va jusquen 1945. Double cliquer sur le Range et taper 1945 dans la fentre End date .
Cliquez su OK pour valider.

Fvrier 2008 E-1113
79
Ensuite, il faut gnrer les valeurs des trois variables exognes sur la priode de projection. Pour viter dcraser les valeurs initiales, on va crer de nouvelles variables associes chaque scnario. Pour cela, cliquez sur la variable G, faites clic droit, slectionnez Properties . Un cran souvre, cochez Use Override Series in Scenario . Lorsque vous cochez, un message vous demande de crer la variable G_1, cliquez sur Yes .
Lorsque vous cliquez sur OK, la variable G_1 apparat dans le workfile , vous pouvez louvrir et entrer les valeurs pour la priode de projection (ajoutez 1 milliard la valeur de 1941 pour avoir celle de 1942 et recopiez cette valeur pour les autres annes suivantes). Vous pouvez utiliser la commande Generate Series dans le menu Quick . Procdez de la mme faon avec les deux autres variables exognes Wg et Tax.
Fvrier 2008 E-1113
80
CONS
90 80 70 60 50 40 30 1920 120 110 100 90 80 70 60 50 1925 1930 Actual 1935 1940 40 1945 1920 1925 1930 Actual
1935
1940
1945
CONS (Scenario 1)
X (Scenario 1)
Si on se fixe un objectif de croissance annuelle de 10% sur les quatre annes venir, dterminez les mesures de politique budgtaire pouvant tre mise en uvre pour atteindre un tel objectif. Il sagit de dterminer pour chaque variable budgtaire (dpenses publiques, salaires ou impts), la trajectoire compatible avec lobjectif de croissance de 10% de la production. Cest ce genre de question qui vous sera souvent pos. Par exemple, cette question proccupe beaucoup de gouvernements, notamment en Afrique par rapport aux Objectifs du Millnaire pour le Dveloppement (OMD) : pour atteindre lobjectif de rduction de la pauvret de moiti dici 2015, quelle doit tre le taux de croissance conomique et la politique budgtaire et montaire compatible avec cet objectif ? Revenons maintenant la question de lexercice et voici comment vous pouvez y rpondre. Ici lobjectif de 10% du taux de croissance impose une trajectoire de croissance au PIB. Il faut donc gnrer cette variable sur la priode de projection en utilisant le menu Quick/Generate Series .
Fvrier 2008 E-1113
81
Apres avoir entr lquation, cliquez sur OK pour valider. Nous allons crer un scnario pour cette simulation. Slectionnez View/Scenarios . Les trois variables de politiques sont G, Tax et Wg. Nous devons faire un choix de la variable de politique qui nous permettra le bouclage du modle. Ici on a choisi les salaires du secteur public Wg et les deux autres variables gardent leurs valeurs actuelles. Slectionnez Procs/Solve for Target comme indiqu ci-dessous.
Quand vous cliquez sur Solve for Target , vous obtenez la fentre suivante :
Fvrier 2008 E-1113
82
Vous devez renseigner les champs en blanc. Dans le champ Solve for values of Control Variable , vous devez mettre notre variable contrle Wg. Dans le deuxime champ, vous entrez le Target variable qui est notre variable cible X. Enfin, dans le dernier champ, indiquez le sentier de la variable cible sur la priode de projection. Cliquez sur OK pour valider. Lorsque vous validez, vous obtenez lvolution de Wg sur la priode de projection compatible avec le taux de croissance de X. 4.4 Exportation des rsultats, des simulations et projections dEviews vers Excel (feuilles de sortie) Les rsultats des simulations et projections peuvent tre analyss directement dans EViews, mais il est conseill de les exporter vers EXCEL pour constituer les tableaux (feuille de sortie). Ces tableaux vous seront dune grande utilit car cest partir de ces tableaux que vous ferez lanalyse des politiques dimpact. Pour transfrer des donnes dEViews vers EXCEL, slectionnez les variables que vous voulez transfrer. Allez ensuite dans File/Export/Write Text-LotusExcel .
Fvrier 2008 E-1113
83
A la suite de cette opration, une fentre apparat ou vous devez indiquer le nom du fichier Excel. Dans notre exemple, nous lavons appel Rsultats simulation.
Avant de valider, assurez-vous que toutes vos variables apparaissent bien dans le rectangle. Cliquez sur OK et vos donnes seront transfres vers EXCEL. Vous pouvez aller dans Excel pour ouvrir le fichier et voir vos donnes.
Fvrier 2008 E-1113
84
MISE A JOUR DU MODELE La mise jour dun modle est ncessaire pour plusieurs raisons. Dabord, les donnes statistiques historiques sont rvises et des nouvelles donnes deviennent disponibles au moins une fois par an, par trimestre ou par mois selon les pays. La disponibilit de ces nouvelles donnes statistiques doit tre injecte dans le modle. Ceci implique que toutes les fonctions de comportement doivent tre r-estimes et les quations comptables ractualises. Ensuite, les mutations conomiques appellent souvent une actualisation du modle, qui impose la modification du modle avec lintroduction des quelques nouvelles fonctions de comportement. Enfin, des chocs ou de nouveaux enjeux conomiques peuvent tre intgrs dans le modle. Il est courant de mettre jour le modle au moins une fois par an pour les modles annuels. Aprs avoir intgr toutes nouvelles donnes quantitatives et qualitatives, slectionnez Procs/Links/Update All Links-Recompile Model .
Une fois le modle est mis jour, on peut lancer la rsolution et procder aux projections ou de nouvelles simulations de politiques conomiques.
Fvrier 2008 E-1113
85
TRAITEMENT INFORMATIQUE DU MODELE INPLABURA Le traitement du modle INPLABURA dans le cadre du projet a commenc la 11me session de formation en 2007. Les participants la formation ont t organiss en cinq groupes par lAssistant Technique autour des 9 modules du modle INPLABURA. Groupe I : Remy Keza (MPDRN), Rose Ryanyeninka (MPDRN), Gratien Ninteretshe (MINFIN), Jeanine Nkunzimana (MPDRN). Cette quipe sest occupe des 4 Modules du secteur rel : Ressources (offre des biens et services), Emploi des ressources (demande finale des biens et services), Prix relatifs et March du travail, emploi et chmage. Groupe II : Terence Ntabangana (MPDRN), Jean-Luc Nkurikiye (MINFIN), Bernard Barazi (MININ), Jean-Marie Bazombanza(MPDRN). Ce groupe tait responsable du Module Finances Publiques. Groupe III : Germaine Nsengiyumva (MPDRN), Mathias Ngendakuriyo (BRB), Jean-Michel Nkengurutshe (MPDRN), Elisabeth Kennedy (SP/REFES). Lquipe tait assigne deux Modules : Balance des paiements et Gestion de la dette extrieure. Groupe IV : Faustin Habimana (MPDRN), Balthazar Fengure (MPDRN), Felix Niyonzima (BRB), Salomon Nsabimana (Universit du Grand lac). Le groupe sest occup du Module : la Situation Montaire. Groupe V : Amy Mawson (MPDRN), Prosper Niyongabo (MPDRN), Leonidas bigirimana (MINEDU), Sosthene Hicuburundi (MINSAN), Isidore Sindayikengera (MPDRN), Spes Nahayo (SP/REFES), Didier Astyanax NTIRORANYA (MPDRN). Cette quipe tait responsable du Module : Secteur social (Pauvret, Education, Sant).
Des 23 cadres prvus, seulement deux (Leonidas Bigirimana et Sosthene Hicuburundi) nont pas pu assister aux ateliers de formation. Les 21 cadres ont particips tous les ateliers de formation. En ce qui concerne le modle INPLABURA, ils ont excut les tches suivantes : Construction de la base ou banque des donnes statistiques ; Saisie des donnes sur Excel (feuilles dentres) ; Etape destimation : - Importation de la base des donnes par EViews (depuis Excel) - Estimation des fonctions de comportement Ecriture de rsolution globale du modle : - Insertion des quations comptables - Choix du type de simulation - Choix de lalgorithme de rsolution 86 Fvrier 2008
E-1113
- Test de convergence ou validation du modle. Les tches ci-dessous nont pas t accomplies par les cinq groupes:

Application des diffrents tests (test diagnostic sur les rsidus, test de restriction sur les coefficients et test de stabilit), interprtation et analyse ; Critres dvaluation du modle ; Mthode de projection : - Choix de projection : statique ou dynamique - Choix de la priode de projection ou prvisions - Traitement des variables exognes Elaboration des scnarios : - Scnario central ou solution de base (base line solution) - Scnario alternatif I - Scnario alternatif II Contrle des rsultats et cohrence des prvisions (introduction des variables de contrle) ; Exportation des rsultats de simulation et projections dEViews vers Excel ; Construction des tableaux sous Excel (feuilles de sortie) ; Analyse des politiques dimpacts ; Mise jour du modle.
6.1
Construction de la base des donnes La construction de la base des donnes sous Excel a t fastidieuse et a pris sept sessions. Compte tenu de la taille du modle INPLABURA, il fallait collecter au minimum 267 variables. Lors des sances de formation du projet, les cinq groupes constitus autour des 9 Modules du modle ont construit leur base des donnes respectives. Chaque groupe avait la liste des variables de son Module respectif. Le groupe devait faire linventaire des donnes disponibles puis identifier les donnes manquantes. Beaucoup des donnes statistiques manquaient. Des solutions ont t prconises pour combler le vide. Avec un succs relatif, les diffrents groupes ont pu trouver quelques donnes manquantes. Par exemple, le groupe V (secteur social) a collect des sries sur le taux de scolarisation lcole primaire, taux durbanisme par rapport la population totale, taux de mortalit infantile. Les sries des Modules : situation montaire, finances publiques et balance des paiements taient disponibles, mais dune manire discontinue. Par exemple, pour les finances publiques, cause des impts qui ont t supprims et dautres introduits, il sest avr difficile de reconstituer les sries. Certains dons de la communaut international ont cess dexister. La variation de laide publique au dveloppement, tout comme la variation du commerce
Fvrier 2008 E-1113
87
extrieur (principale source des recettes budgtaires), ont affect la srie des recettes budgtaires, cause de la variation des taxes limportation (droits dentre et fiscaux) et taxes lexportation. Les sries du Module balance des paiements a pos aussi quelques difficults. Dabord, le Burundi tant un pays enclav, le commerce de transit (r-export et r-import, les produits exports et imports du Burundi passent par des pays tiers) joue un grand rle. Ensuite, le Burundi est pass de rgime de change multiple (taux de change officiel deux guichets et le taux de change parallle) au rgime de change flottant administr. Ceci cr des distorsions et discontinuits dans les sries : exports, imports et prix relatifs. Le secteur rel a pos beaucoup de dfis. Le groupe I avait un fardeau trs lourd : sur les 267 variables, le groupe de participants devait fournir 109 variables. Plusieurs donnes statistiques manquaient ou ntaient pas entirement exploitables. Par exemple, le volume des investissements force motrice du modle INPLABURA- tait disponible partiellement. Les investissements privs ntaient pas disponibles. Mme les investissements qui taient disponibles ont ncessit beaucoup de travail dajustement. Le programme dinvestissements publics (PIP), souffre des quelques limitations. Dabord, le PIP est reparti selon les administrations, pas selon les secteurs conomiques. Ensuite, le PIP tel quil est conu est actuellement un fourre-tout. En effet, le PIP inclut sans distinction la formation brute de capital fixe (quipements ou machines, construction, infrastructure pour le transport et les communications) et la variation de stock. Par exemple, si le gouvernement construit une route, le PIP met dans le mme panier les investissements fixes mais aussi les frais des missions des experts, les tudes de faisabilit, les salaires et lapprovisionnement en matire premire. Ensuite le PIP ne distingue pas non plus les transferts courants et en capital dont bnficie le secteur public. Le transfert courant est un transfert (souvent en liquide) qui peut tre consomm (dpens), donc ce genre de transfert ne doit pas tre considr comme un investissement. Le transfert en capital concerne les biens des capitaux (quipements). Par exemple, si un pays reoit de laide ou des dons et lutilise pour financer un barrage hydrolectrique en construction, cette aide doit tre considre comme un transfert en capital. Il en est de mme pour lallgement et lannulation de la dette extrieure qui sont considres comme transferts en capital, condition que les ressources ainsi libres soient affectes aux investissements productifs pas la consommation. Enfin, la cl de rpartition ou dallocation et le volume et rythme de dosage des investissements publics vers les administrations nest pas clairement dfinie et ntait pas disponible lors de la mise en uvre de notre projet en 2007. Or, la disponibilit de cette cl de rpartition aurait pu aider le groupe I mieux allouer les investissements vers les secteurs conomiques.
Fvrier 2008 E-1113
88
Les donnes statistiques de demande de travail taient disponibles mais pas reparties selon les secteurs conomiques. Lors de latelier de formation, le groupe I a allou la demande de travail totale sur les 19 secteurs qui constituent selon la comptabilit nationale- la structure de production du pays. Lors du choix de lanne de base pour les variables relles (toutes les variables relles des diffrents modules devaient avoir la mme anne de base), plusieurs problmes se sont poss. Beaucoup de sries relles avaient trois annes de base diffrentes. Il a fallu reconstituer ces sries en les ramenant lanne de base 1996. Les sries des prix mondiaux, comme le prix du ptrole avait comme anne de base lanne 2006, tout comme les sries de taux dintrts LIBOR. Tous les indices de prix ont t ramens lanne de base 1996. Il fallait ensuite consolider la base centrale des donnes partir des bases des donnes sectorielles, que les diffrents groupes de participants avaient tablies. La base centrale tait ncessaire pour permettre aux 5 groupes davoir accs aux donnes et complter leur propre base des donnes. Par exemple, le groupe V (secteur social) avait besoin des donnes sur le PIB rel, son taux de croissance et sur lindice douverture du commerce extrieur. Ces donnes provenaient du secteur rel et de la balance des paiements. Le groupe II (finances publiques) avait besoin des donnes sur le PIB nominal, lindice des prix la consommation, le taux de croissance du PIB nominal et les lasticits de revenu que seul le groupe I pouvait lui donner. En fait les cinq groupes taient interdpendants et ont trs bien coopr. Pour assurer la cohrence des donnes, il fallait procder des rconciliations, notamment entre le secteur rel (comptes nationaux) et la balance des paiements, entre la situation montaire, la balance des paiements et les finances publiques. Le groupe I (secteur rel) avait une double rconciliation faire, au niveau des comptes nationaux. Ceci est li la structure du modle INPLABURA. Quand un modle est exclusivement un modle doffre (ressources) ou de demande finale des biens et services (emplois), le problme de rconciliation ne se pose vraiment pas. Le modlisateur doit simplement veiller la consistance interne du module doffre ou de demande. Mais quand le modle est la fois un modle doffre et de demande ce qui est le cas du modle INPLABURA- le modlisateur doit vrifier sil y a des carts entre les donnes statistiques des ressources (offre) et emplois (demande). La condition dquilibre dun modle la fois doffre et de demande impose que loffre soit gale la demande (ressources = emplois). Or cet quilibre nest jamais tablit dans la plupart des comptes nationaux. La raison est imputable la mthode de calcul du PIB. Il y a trois mthodes pour calculer le PIB : la mthode de production (somme des valeurs ajoutes), la mthode des revenus et la mthode par la demande (pour plus de dtail, voir Rapport sur la formation
Fvrier 2008 E-1113
89
des cadres lutilisation du modle propos : modle dInformation et de Planification du Burundi Rnov et Amnag (INPLABURA), Juillet 2007, E1113, SOFRECO, page 22). Pour diverses raisons, ces trois mthodes naboutissent jamais une valeur identique du PIB. Et ceci mme dans les pays bnficiant dun appareil statistique trs sophistiqu.
Fvrier 2008 E-1113
90
Aux Etats Unis, par exemple, ce problme persiste depuis des dcennies et les tentatives de rconciliation entre les trois mthodes ont souvent chou. En 2004, Lawrence Klein et Suleyman Ozmucur tous deux de luniversit de Pennsylvanie et membres du projet LINK- publient la spcification de leur nouveau modle : The University of Pennsylvania Models for High-frequency Macroeconomic Modelling , qui aide luniversit faire des simulations, prvisions et lanalyse des politiques dimpact, pour lconomie amricaine. Ils prviennent le lecteur, en indiquant que la valeur du PIB des Etats-Unis variait dune mthode lautre. Et que par exemple, la diffrence du PIB trimestriel entre la mthode des revenus et la mthode de demande slevait -rien que pour le quatrime trimestre- 186 milliards des dollars amricains (page 5). Ils prcisent que ce montant exprim en pourcentage du PIB amricain, est probablement ngligeable, mais est norme en termes absolus. Ce montant est aussi important que la plupart des montants allous aux divers programmes de stabilisation de lconomie amricaine. Lcart du PIB entre les diffrentes mthodes est souvent en partie responsable de lerreur de mesure : quand il est ngatif, le PIB est sous-estim et quand il est positif, le PIB est surestim. Dautres variables sont aussi affectes comme le dflateur implicite du PIB, le PIB nominal et les quations dans lesquelles le PIB apparat comme variables explicatives. On peroit bien limportance du processus de rconciliation auquel le modlisateur doit imprativement satteler. Dans le modle INPLABURA, le PIB (ressources ou offre) est obtenu par la mthode de production et le PIB (emplois) est le rsultat de la mthode par la demande. Le groupe I sest attel rconcilier les deux mthodes. Le tableau statistique des ressources (offre) a t pluch tout comme celui des emplois (demande) et le groupe I a limin lcart qui subsistait entre loffre et la demande. Il y a avait des problmes de rconciliation entre le groupe I (secteur rel) et le groupe III (balance des paiements). La mthode du PIB par la demande, utilise deux agrgats macroconomiques : le revenu national brut (RNB) et le revenu national disponible brut (RNDB). Le RNB tablit la relation entre le PIB et les revenus des facteurs de production (dividende des investissements directs, paiements des intrts, reus-verss, sur des prts ou emprunts externes). Les liens qui lient le RNDB sont les transferts sans contreparties ou unilatraux (aide publique non-remboursable ou dons et les transferts des fonds des migrants). Le RNB et le RNDB sont deux variables cls, parce quelles tablissent une passerelle entre le secteur rel et la balance des paiements mais aussi le lien explicite du couple pargne-investissement avec dune part la demande finale des biens et services et dautre part la balance des oprations courantes. Il a t rappel aux participants que la balance des oprations courantes est gale/identique ex post au gap (dficit) entre le RNDB et labsorption (demande effective). Il fut aussi rappeler que le surplus/dficit entre lpargne et linvestissement se retrouve automatiquement dans la balance des oprations courantes.
Fvrier 2008 E-1113
91
Des diffrences normes apparaissent souvent entre les exportations et les importations des biens et services du secteur rel et celles de la balance des paiements. Les exportations sont verses en devises trangres et les importations sont payes en devises trangres. Quand on convertit les valeurs des exportations et importations par le taux de change, les valeurs de ces agrgats ne correspondent pas avec celles des comptes nationaux. Le groupe I a du aussi se rconcilier avec le groupe II (finances publiques). Le PIB cot ressources ou offre- du modle INPLABURA a adopt la mthode de production. Or, les taxes indirectes et les subventions (finances publiques) interviennent dans la dtermination du PIB. Il y a aussi des problmes entre la demande (emplois des ressources), et le budget. En effet, la dpense totale budgtaire (dpense courante et dpense en capital) ne correspond pas souvent celle du secteur rel (consommation et investissement publics), alors que cette diffrence ne devrait pas exister. Le groupe II se devait de faire des rconciliations avec le groupe IV (situation montaire). La consolidation du budget passe par des sources de financement dont certaines se retrouvent dans le Module situation montaire : le budget ordinaire, le budget extraordinaire, les tirages sur prts extrieurs, sur prts intrieurs et dons extrieurs. Il fallait aussi rconcilier le concept pargne publique, telle quelle est dfinie par la Comptabilit Nationale et le concept dpargne publique selon le Fonds Montaire International (FMI). Selon, la Comptabilit Nationale, lpargne publique est gale aux recettes courantes (hors dons) moins les dpenses courantes (hors intrts dus). Tandis que le FMI dfinit lpargne publique comme la diffrence entre les recettes courantes (hors dons) et les dpenses totales (dpenses courantes + dpenses en capital + prts nets hors intrt et dpenses en capital sur ressources extrieures). Le solde budgtaire global tel quil apparat dans le budget a deux postes : base engagement et base caisse. Il fallait dfinir la diffrence entre les deux concepts et dterminer le concept qui correspond la ralit. La base caisse ou dcaissement prend en compte la variation des arrirs. Le solde budgtaire dfinit ainsi traduit le besoin de financement qui se subdivise en financement extrieur, financement intrieur et gap de financement rsiduel. Ce mode de financement tablit un lien direct avec le PIP et a des consquences sur la situation montaire en fonction du besoin de financement intrieur. Le solde budgtaire base engagement exclut les dons dans les encaissements et les maintient cot dpenses. Ce solde est trs utile pour la programmation budgtaire. Toutefois, il y a un inconvnient majeur : les engagements ou promesses de prts ou de dons peuvent ne pas se matrialiser. Le solde budgtaire global, base caisse correspond le mieux la ralit Burundaise. 92
Fvrier 2008 E-1113
Les groupes I, II, III et IV ont chang sur le concept et lutilit de la variable : couverture dimportation. Variable qui apparat dans le Module II (secteur rel) du modle INPLABURA et qui est trs important pour le pays, mais aussi pour les partenaires de dveloppement (bilatraux et multilatraux). Le concept de la couverture dimportation (CI) repose sur un postulat simple : les rserves en devises doivent tre suffisantes pour financer les importations des biens et services non-facteurs pendant la priode de la programmation budgtaire ou pendant la priode de planification. Le lien entre le financement des importations et le financement de la croissance conomique est trs fort dans beaucoup des pays africains. Ces pays nont pas dindustrie de biens dquipement (machines et outillages). Comme consquence, tout programme dinvestissement a une grande proportion dimportations. En gnral, un pays est en mesure de financer ses importations sans recourir lemprunt extrieur, si sa CI couvre 3 mois. Dune manire concrte, la CI doit correspondre de la valeur des importations de lanne. La Banque Mondiale et le FMI attachent une grande importance la CI. En effet, le soutien la balance des paiements en forme de lallgement de la dette et des tranches annuelles de dons et crdits sont normalement calculs en fonction de lobjectif de la CI. Il y a une importante variable qui na pas de donnes statistiques observables : lcart de production. Lcart de production dfinit comme la diffrence, entre la production effective (observe) et la production potentielle (considre comme celle qui correspond au niveau dquilibre dutilisation des facteurs de production), est un important indicateur de dsquilibre entre loffre et la demande de biens et de services. Cette importante variable est utilise dans le modle INPLABURA, il fallait donc lestimer. Il y a trois mthodes pour estimer lcart de production : lajustement linaire, lajustement quadratique et le filtre de Hodrick-Prescott. Les 5 groupes de participants la formation ont estim lcart de production en utilisant la mthode de Hodrick-Prescott. 6.2 Estimation des fonctions de comportement
6.2.1
Saisie des donnes sous Excel (feuilles dentre)

Les donnes statistiques sont saisies dans EXCEL et on note le suivant : La priode des observations Le nombre de variables sur chaque fichier Excel que vous allez utiliser La premire cellule de donnes. Avec INPLABURA, la priode historique est de 1980 2004. Nous avons 267 variables (mais seulement 189 sur le premier fichier que nous devons importer), et la premire cellule de donnes est le B2 . Apres avoir not ces trois lments, fermez EXCEL.
Fvrier 2008 E-1113
93
6.2.2
Importation des donnes

Lancez EViews. Crer un workfile : Slectionner File/New/Workfile , comme indiqu ciaprs:
Apres avoir valid on obtient lcran suivant :
Dans la fentre Start date , entrez la date ou lanne de dbut de vos sries. Et dans la fentre End date , entrez la date de fin de vos sries.
Fvrier 2008 E-1113
94
Aprs avoir rentr les dates, cliquez sur OK pour valider et voici le tableau que vous obtiendrez :
Maintenant, il faut importer les donnes dEXCEL. Slectionnez File/Import/Read Text-Lotus-Excel
Fvrier 2008 E-1113
95
Dans la fentre qui souvre il faut indiquer le fichier EXCEL o se trouvent vos donnes :
Quand vous validez, vous obtiendrez lcran suivant :
Fvrier 2008 E-1113
96
Vous insrez la priode ( import sample ), le nombre de variables ( Names for series or Number, if named in file ) ici on a saisi seulement 189 car les donnes stendent sur deux fichiers Excel et la premire cellule est le premier fichier o les donnes commencent ( Upper-left data cell ). Quand vous cliquez sur OK (valider), voici ce que vous obtenez :
Les donnes apparaissent dans le workfile et nous pouvons maintenant passer aux estimations. Il faut toujours enregistrer ou sauvegarder le workfile . Pour cela, cliquez sur Save et donnez le nom du Workfile .
6.2.3
Estimations
Le modle INPLABURA a au total 9 modules. A lexception de deux modules (module Balance des Paiements et module Gestion de la Dette Extrieure) qui nont que des quations comptables, les autres modules ont des fonctions de comportement et identits comptables. Le module March du Travail, Emploi et Chmage, qui dtermine la demande de travail de chaque secteur productif, loffre de travail et le taux de chmage, est compos de 20 fonctions de comportement et de deux quations comptables. 97
Fvrier 2008 E-1113
Malheureusement, ce module na pas t estim et simul par manque des donnes statistiques dune des variables explicatives : les salaires repartis par secteur productif. Les fonctions de comportement du modle INPLABURA ont toutes t estimes par les 21 cadres reprsentants du gouvernement burundais repartis en cinq quipes. Tous les participants au programme de formation du projet et dune manire indpendante ont russi la convergence du modle INPLABURA. Toutefois, les tests paramtriques ont t conduits par un seul cadre, en dehors des sessions de formation. Pour des raisons de contrainte despace on se limite deux fonctions de comportement par module. Le but ici est de permettre lutilisateur de suivre les diffrentes tapes pour les estimations et les tests. 6.3 Module I : Ressources ou offres de biens et services
6.3.1
Fonction de comportement PIB_AGRIV (EQ1 : agriculture vivrire)

Pour estimer cette fonction, slectionnez les variables en commenant par la variable endogne (ici cest le pib_agrviv); cliquez droit et slectionnez Open as Equation .
Quand vous cliquez sur as Equation , vous obtenez le tableau ci-dessous.
Fvrier 2008 E-1113
98
Dans cette estimation, vous avez choisi les moindres carrs ordinaires et vous faites une estimation en niveau. Si vous cliquez sur OK , vous aurez les rsultats des estimations, mais en niveau. Si vous voulez les estimations en log, vous pouvez saisir directement sur la fentre, comme indiqu :
Fvrier 2008 E-1113
99
Quand vous cliquez sur OK, vous obtenez les rsultats suivants :
Fvrier 2008 E-1113
100
Aprs avoir fait lestimation de la fonction de comportement (PIB_AGRIV), vous devez faire des tests paramtriques pour vous assurer que les hypothses sont vrifies et explorer les possibilits damliorer les rsultats, en cas de rejet de lhypothse nulle. 6.4 Tests sur la fonction PIB_AGRIV
6.4.1

Test de normalit (Skwenes, Kurtosis, Jarque-Bera) Slectionnez View/Residuals Tests/Histogram-Normality Test
Fvrier 2008 E-1113
101
Dans le tableau de droite, vous avez les trois statistiques : Skewness, Kurtosis et Jarque-Bera. Jarque-Bera a une probabilit de 1,070 qui est suprieure la p-value 0,05 ce qui veut dire quon accepte lhypothse nulle de normalit des termes derreurs. Test d htroscdasticit On peut utiliser deux tests: le test de White et le test de Breusch-Pagan. On a utilis le test de White. Pour revenir au tableau des estimations, cliquez sur Stats. Slectionnez View/Residuals Tests/White Heteroskedasticity.
Fvrier 2008 E-1113
102
Apres avoir cliqu, vous obtenez les rsultats suivants :
Fvrier 2008 E-1113
103
La probabilit du test de White est ici de 0,298 qui est suprieure 0,05, ce qui veut dire quon accepte lhypothse nulle d homoscdasticit des termes derreurs. Test dauto corrlation Nous avons ici trois tests : Durbin-Watson, le test de Ljung-Box (analyse du correlogramme et du Q-Stat) et le test de Breusch-Godfrey. Test de Durbin-Watson On voit que la statistique DW est de seulement 0.73, ce qui indique quil y a auto corrlation des rsidus. Mais, il existe dautres tests dauto corrlation qui sont meilleures que la statistique DW et il est essentiel de les faire. Correlogramme et du Q-Stat de Ljung-Box
Fvrier 2008 E-1113
104
Slectionnez View/Residuals Tests/Correlogram-Q-Statistics
Fvrier 2008 E-1113
105
Ici on constate que seul le premier rang du corrlogramme sort de la bande stylis en pointills, ce qui indique une auto corrlation de lordre de 1. Test de Breusch-Godfrey Slectionnez View/Residuals Tests/ Serial Correlation LM-Test.
Fvrier 2008 E-1113
106
Fvrier 2008 E-1113
107
La probabilit du test de Breusch-Godfrey est infrieure 0,05, ce qui veut dire quon rejette lhypothse nulle de non autocorrlaton des termes derreurs. En dautres termes, les erreurs sont auto-corrles lordre 1. Estimation en prsence dauto corrlation Quatre mthodes peuvent tre utilises pour estimer le modle en cas dautocorrelaton des erreurs :

Mthode itrative de Cochrane-Orcutt ; Mthode Hildreth-Lu ; Mthode du maximum de vraisemblance ; Mthode des doubles moindres carrs.
Fvrier 2008 E-1113
108
Ici nous allons appliquer la mthode itrative de Cochrane-Orcutt. Cliquez sur Estimate et ajoutez le terme AR(1) la spcification comme indiqu cidessous.
Cliquez ensuite sur OK pour valider. Vous obtenez les rsultats suivants :
Fvrier 2008 E-1113
109
Dj on voit que la statistique DW sest amlior (de 0.73 1.49), galement le coefficient de dtermination ; R-carr (R-squared) et le R-Carr ajust se sont amliors un peu de 0,49 0,66 et de 0,44 061. Mais, les probabilits ont chang aussi : les coefficients de linvestissement cumulatif et de lengrais ne sont plus significatifs. Tests de restrictions sur les coefficients Il y a trois tests disponibles : le test de significativit globale (Fisher) ; le test de significativit des coefficients individuels (Student) ; le test de Wald. Nous avons utiliss le test de Fischer et Student. Test de significativit globale (test de Fisher) La statistique de Fisher apparat directement dans le tableau des rsultats. Si la valeur du Prob (F-statistic) est infrieure 0,05 cela indique quil existe au moins 1 coefficient significatif dans lquation.
Fvrier 2008 E-1113
110
Ici on observe une valeur de 0.0006 qui est en dessous de 0.05 : donc il existe au moins un coefficient significatif. Test de significativit des coefficients individuels (test de Student) Le test de significativit des coefficients individuels (test de Student). Les coefficients sont individuellement significatifs si leur probabilit est infrieure 0,05. Ces probabilits apparaissent dans la dernire colonne du tableau des rsultats. Ainsi, pour lquation (PIB_AGRIV), on voit qu ce stade, le coefficient dinvestissement cumulatif est significatif (valeur de 0.01), mais le coefficient dengrais nen est pas (valeur de 0.30). Tests de stabilit Il y a quatre tests de stabilit : Chow, CUSUM, CUSUMSQ et ARCH. On sest limit deux tests (Chow et CUSUM). Avant de faire ces tests il faut vrifier que vous nutilisez pas lquation ajuste avec le terme AR(1) il faut utiliser lquation comme elle tait au dbut. Test de Chow Slectionnez View/Stability Test/Chow Breakpoint .
Fvrier 2008 E-1113
111
A ce niveau, vous devez connatre la tendance de vos sries et reprer le point de rupture que vous devez indiquer dans la fentre qui souvre. Voici lexemple :
Pour nos donnes, lanne de rupture est 1993. Cliquez sur OK pour valider. Vous obtenez le tableau ci-dessous :
La probabilit du test de Chow est de 0,0023 qui est infrieure de 0,05, donc on rejette lhypothse de stabilit structurelle de lquation. Mais ceci peut aussi tre le rsultat davoir mal choisis lanne de cassure. Un point de rupture peut conduire rejeter lhypothse nulle, alors quavec un autre point de rupture on ne la rejetterait pas. Pour plus de dtail, referez-vous la section : Test de stabilit du texte. Test CUSUM Slectionnez View/Stability Test/Recursive Estimates.
Fvrier 2008 E-1113
112
*Si vous obtenez ce message :
Le message vous indique que vous avez peut-tre oubli de retourner lquation de base qui est estime avec la mthode des MCO et qui ninclut pas des termes AR ou MA. Il faut donc retourner lquation de base et rpter les mmes tapes.
Fvrier 2008 E-1113
113
Apres avoir slectionn, cochez CUSUM test comme indiqu ci-dessous :
Cliquez ensuite sur OK pour valider et vous obtenez le graphique cidessous :
Fvrier 2008 E-1113
114
La diffrence du test CUSUM avec le test de Chow est que le test de Chow demande quon indique lanne de rupture, alors que le test de CUSUM vous lindique. Si la courbe sort du corridor, il y a instabilit du modle. Ici, vous constatez que la courbe ne sort pas de la bande, on peut donc conclure que le modle est stable sur toute la priode. Fonction de comportement PIB_Enemin (EQ14 : nergie et mines)
Fvrier 2008 E-1113
115
Fvrier 2008 E-1113
116
Fvrier 2008 E-1113
117
Fvrier 2008 E-1113
118
Fvrier 2008 E-1113
119
Fvrier 2008 E-1113
120
Fvrier 2008 E-1113
121
6.5
Module II : Emplois ou demande finale des biens et services
6.5.1
Fonction de comportement : consommation publique, prix constant (EQ46)
Fvrier 2008 E-1113
122
Fvrier 2008 E-1113
123
Fvrier 2008 E-1113
124
Fvrier 2008 E-1113
125
Fvrier 2008 E-1113
126
Fvrier 2008 E-1113
127
6.5.2
Fonction de comportement: consommation priv, prix constant (EQ47)
Fvrier 2008 E-1113
128
Fvrier 2008 E-1113
129
Fvrier 2008 E-1113
130
Fvrier 2008 E-1113
131
Fvrier 2008 E-1113
132
Fvrier 2008 E-1113
133
Fvrier 2008 E-1113
134
6.6
Module III: Prix relatifs, dflateurs implicites et indices des prix
6.6.1
Fonction de comportement : dflateur implicite du PIB au prix du march (EQ54)
Fvrier 2008 E-1113
135
Fvrier 2008 E-1113
136
Fvrier 2008 E-1113
137
Fvrier 2008 E-1113
138
Fvrier 2008 E-1113
139
Fvrier 2008 E-1113
140
Fvrier 2008 E-1113
141
6.6.2
Fonction de comportement: Taux de change (EQ56)
Fvrier 2008 E-1113
142
Fvrier 2008 E-1113
143
Fvrier 2008 E-1113
144
Fvrier 2008 E-1113
145
Fvrier 2008 E-1113
146
Fvrier 2008 E-1113
147
6.7
Module V: Finances publiques
6.7.1
Fonction de comportement : total recettes courantes (EQ81)
Fvrier 2008 E-1113
148
Fvrier 2008 E-1113
149
Fvrier 2008 E-1113
150
Fvrier 2008 E-1113
151
Fvrier 2008 E-1113
152
Fvrier 2008 E-1113
153
6.7.2
Fonction de comportement : total dpenses sur biens et services (EQ82)
Fvrier 2008 E-1113
154
Fvrier 2008 E-1113
155
Fvrier 2008 E-1113
156
Fvrier 2008 E-1113
157
Fvrier 2008 E-1113
158
Fvrier 2008 E-1113
159
6.8
Module VI : Situation montaire
6.8.1
Fonction de comportement : demande de monnaie (EQ126)
Fvrier 2008 E-1113
160
Fvrier 2008 E-1113
161
Fvrier 2008 E-1113
162
Fvrier 2008 E-1113
163
Fvrier 2008 E-1113
164
6.8.2
Fonction de comportement : offre de monnaie (EQ127)
Fvrier 2008 E-1113
165
Fvrier 2008 E-1113
166
Fvrier 2008 E-1113
167
Fvrier 2008 E-1113
168
Fvrier 2008 E-1113
169
Fvrier 2008 E-1113
170
6.9
Module IX: Secteur social
6.9.1
Fonction de comportement : Pauvret (EQS1)
Fvrier 2008 E-1113
171
Fvrier 2008 E-1113
172
Fvrier 2008 E-1113
173
Fvrier 2008 E-1113
174
Fvrier 2008 E-1113
175
Fvrier 2008 E-1113
176
6.9.2
Fonction de comportement : Education (EQS2)
Fvrier 2008 E-1113
177
Fvrier 2008 E-1113
178
Fvrier 2008 E-1113
179
Fvrier 2008 E-1113
180
Fvrier 2008 E-1113
181
Fvrier 2008 E-1113
182
6.9.3
Fonction de comportement : Sant (EQS3)
Fvrier 2008 E-1113
183
Fvrier 2008 E-1113
184
Fvrier 2008 E-1113
185
Fvrier 2008 E-1113
186
Fvrier 2008 E-1113
187
Fvrier 2008 E-1113
188
6.10
Ecriture globale et rsolution dINPLABURA sous EViews Quand vous avez estim toutes les quations (fonctions de comportements), il faut crer le modle comme indiqu ci-dessous :
Aprs avoir valid on obtient lcran suivant :
Fvrier 2008 E-1113
189
6.10.1
Insertion des fonctions de comportement et des quations comptables

Maintenant vous devez insrer les identits comptables, comme indiqu cidessous (cliquer droit nimporte o dans la fentre) :
Fvrier 2008 E-1113
190
Quand vous validez vous obtenez la fentre ci-dessous o vous pouvez saisir (ou copier et coller) toutes les identits comptables :
Fvrier 2008 E-1113
191
6.10.2
Choix de simulation et de lalgorithme

Aprs avoir insr toutes les identits, vous devez rsoudre le modle (cliquer sur Solve ). A ce niveau, il faut choisir le type de simulation (dterministe ou stochastique) et si cest dynamique ou statique. Il faut aussi insrer la priode dobservation (saisir dans Solution Sample ). Pour INPLABURA on a choisi la simulation dynamique dterministe.
Fvrier 2008 E-1113
192
Avant de valider, il faut aussi choisir le type dalgorithme. Toujours dans la mme fentre, cliquer sur Solver pour obtenir lcran suivant :
Fvrier 2008 E-1113
193
Dans INPLABURA on utilise lalgorithme Gauss-Seidel pour la solution mathmatique du modle.
6.10.3
Elaboration des scnarios et projections

Ds que vous avez rsolu le modle vous pouvez commencer faire les simulations. Cliquer sur View /Scenarios et choisissez Scnario 1, comme indiqu ciaprs :
Fvrier 2008 E-1113
194
Pour faire des simulations il faut traiter toutes les variables exognes. Toujours dans la mme fentre, cliquer sur Scenario Overrides pour obtenir lcran ci-dessous. Dans la bote Overridden Series il faut saisir (ou copier coller) tous les noms des variables exognes :
Fvrier 2008 E-1113
195
Aprs avoir valid, vous pouvez vrifier que toutes les variables exognes sont traites. Cliquer sur Variables et vrifier si toutes les variables exognes sont en rouge. Sinon, il faut rpter les tapes pour insrer la variable ou les variables manquantes dans la liste des variables traiter.
6.10.4
Analyse des politiques dimpact

Un modle peut tre conu soit pour la prvision, soit pour lanalyse des politiques dimpact, soit les deux la fois. INPLABURA est un modle de prvision et danalyse des politiques. Toutefois, pour quun modle soit apte produire des projections fiables et offrir un cadre crdible dvaluation des politiques de dveloppement alternatives il doit passer dabord le test de convergence. Comme dj indiqu, la construction de la base des donnes pendant la mise en uvre du projet avait pris beaucoup de temps cause du nombre lev des variables, des problmes rsoudre et des problmes de rconciliation entre les diffrents comptes. Ltape de lestimation a commenc seulement la 18me session (il y a eu un total de 21 sessions de formation). Chaque groupe a travaill dune manire indpendante. Chaque groupe sest concentr sur la spcification du modle, a estim toutes les fonctions de comportement et a rdig lcriture de rsolution globale du modle.
Fvrier 2008 E-1113
196
Les deux approches des commandes EViews ont t appliques. Le groupe a procd par programme et les quatre autres quipes ont utilis lapproche par menu. Malgr la taille du modle INPLABURA, les cinq quipes les unes aprs les autres et dune manire indpendante ont russi un exploit : la convergence du modle INPLABURA. Ceci veut dire que la solution mathmatique du modle existe, sa cohrence interne est confirme et sa validit globale est vrifie. Ceci veut dire aussi que le modle INPLABURA est prt pour des analyses inter temporelles, projections et analyses des politiques dimpact. Si INPLABURA tait construit pour des simulations historiques, on aurait pu sarrter ici. Le modle peut tre utilis pour la simulation des politiques de dveloppement appliques pendant la priode 1980 2004 (priode de lchantillon). Des questions du genre : si les politiques macroconomiques avaient t diffrentes, pendant cette priode, les rsultats en termes de croissance conomique, niveau de vie, auraient-ils t meilleurs ? Ce genre danalyse des politiques dimpact rtrospective a beaucoup dintrt et est souvent utilis pour tester la politique macroconomique qui a choue ou russi dans le pass, dans un contexte denvironnement conomique, financier et commercial international particulier. Il faut, toutefois, indiquer que si la convergence du modle a t luvre des 21 cadres burundais repartis en cinq groupes, les tests du modle INPLABURA (test diagnostics sur les rsidus, test de restrictions sur les coefficients et test de stabilit) ont t raliss par un seul cadre, et ceci aprs les sessions de formation. INPLABURA a comme vocation de faire des prvisions et des simulations ex post qui aideront laborer des analyses prospectives. Les prvisions du modle ont t ralises par deux cadres, aprs les ateliers de formation. Ces tches ont t accomplies sous la supervision minimale de lexpert de SOFRECO. Deux cadres ont t associs ces deux importantes activits (tests paramtriques et projection du modle INPLABURA) pour deux raisons : les sessions de formation se sont cltures le vendredi 23 novembre 2007 et aucune runion na pas pu tre organise aprs cette date. Ensuite, et cest la raison la plus importante, la majorit des cadres navaient plus le logiciel EViews, simplement parce que le dlai impartit dun mois, tait expir. En effet, lexpert de SOFRECO a continu travailler avec les cinq groupes, y compris par e-mail et par tlphone. Mais, le manque de logiciel EViews a bloqu tout progrs dans lexcution des tches qui restaient accomplir (tests paramtriques, laboration des scnarios, projection, analyse des politiques dimpact, etc.). Le 28 novembre 2007 et linitiative de Son Excellence le Vice-ministre Tabu Abdallah Manirakiza, charg de la planification, un mini-atelier de restitution a 197 Fvrier 2008
E-1113
t organis par lexpert. Il y avait au total 17 participants dont le chef de cabinet du Vice-ministre, le Directeur de la planification et de la prospective, lexpert de SOFRECO et lexpert macro conomiste du PAGE. Lordre du jour de latelier tait : la restitution du travail de lexpert et ltat davancement de la mise en place du modle INPLABURA. Lexpert de SOFRECO fit un bref expos sur les diffrentes sessions de formation et les tches accomplies par les cinq quipes de la contrepartie locale. M. Rmy Keza, chef de service de planification macroconomique, ordinateur lappui, a fait une prsentation dtaille du travail fait et de ce qui restait encore faire, particulirement ltape de projections et scnarios. Une session de questions/rponses a cltur le mini-atelier. Comme indiqu ci-dessus, deux cadres ont russi vendredi 30 novembre 2007- lexploit de faire des projections avec le modle INPLABURA sur une priode de 2005-2015. Ceci prouve que le modle INPLABURA tait capable de produire une solution long-terme. Toutefois, INPLABURA a produit des prvisions et des scnarios qui doivent tre retravaills. Par exemple, en rponse une dose modre de volume dinvestissement (scenario I), INPLABURA ragit mollement en termes de croissance conomique. Mais, une dose massive de volume dinvestissement (scnario II), INPLABURA rpond avec des taux de croissance conomiques de 6% en termes rels. Deux problmes majeurs pour ce scnario : le premier est li la programmation. Le mcanisme de transmission du modle ne transmet pas entirement ces chocs au reste de lconomie. Le deuxime problme relve de lanalyse macroconomique. Une dose massive des investissements, bien que produisant des taux de croissance conomique relativement levs, accentuera le dsquilibre du solde investissement-pargne, et du solde de la balance des oprations courantes. En effet, des doses massives du volume dinvestissements, augmente le taux dinvestissement (I/PIB) autour des 25% du PIB. Compte tenu du taux dpargne (S/PIB) ngligeable, pour raliser un taux de croissance lev, le Burundi doit recourir massivement lpargne globale extrieure, en termes demprunt, aide publique au dveloppement, dallgement ou dannulation de la dette extrieure et de lattraction des investissements directs trangers. Ce sont des tels rsultats quil serait souhaitable de revoir lors dune Assistance Technique additionnelle afin de reprendre et approfondir la formation.
Fvrier 2008 E-1113
198
Etant donn que 19 cadres nont pas t associes pour des raisons voques ci-haut- aux activits des tests, projections et analyse des politiques dimpact, il serait souhaitable de prvoir de sessions additionnelles afin de reprendre ltape des tests et voluer jusquaux techniques de projection (statique ou dynamique), introduction des variables de contrle, etc1. 6.11 Cadre institutionnel Daprs les termes de rfrence de la mission, le cadre institutionnel est dfinit comme lappui la mise en place dun cadre de collaboration institutionnel en vue de favoriser llaboration du cadrage macroconomique (y compris la priodicit et le ciblage des units partenaires) . Diffrentes mthodes qualitatives ou quantitatives- sont utilises pour faire le suivi et valuer les politiques macroconomiques (politiques budgtaires, montaire, de taux de change, etc) par rapport aux objectifs prcis. Par exemple, le Cadre Stratgique de Lutte contre la Pauvret (CSPL), dont lobjectif est de rduire la pauvret en orientant les ressources vers les secteurs sociaux-, ncessite une meilleure coordination et complmentarit entre les diffrentes politiques macroconomiques. Le cadrage macroconomique consiste justement- sassurer que les politiques macroconomiques mises en place et leur rythme dexcution, atteignent les objectifs. La dviation ou relchement pour des raisons diverses- des politiques macroconomiques peuvent compromettre la ralisation des objectifs. Dans beaucoup des pays Africains, le cadre-logique dvaluation et de suivi des politiques, se font laide des cadre-comptables qui aident faire des prvisions et analyses. Toutefois, dautres outils quantitatifs dfinis dans un cadre macroconomique donn, dots des techniques fiables, sont de plus en plus utiliss. Beaucoup de ces outils sont des modles de simulation. Cependant, pour que le cadrage macroconomique soit efficace, il faut un cadre de collaboration institutionnel, des diffrentes institutions qui peuvent contribuer la ralisation des objectifs. La mise en place dune quipe inter institutionnelle, dote dun modle de simulation et de projection, rpond cette proccupation. Une quipe inter institutionnelle a t cre, sous limpulsion du Ministre de la Planification du Dveloppement et de la Reconstruction Nationale (MPDRN) et du Projet dAppui la Gestion Economique (PAGE). Lquipe est compose comme suit:

1
Barazi Bernard, Minifin Bazombanza Jean-Marie, MPDRN Fengure Balthazar, MPDRN
A la demande du Client, SOFRECO peut faire une proposition chifre de cette formation additionnelle loccasion dun nouveau contrat.
Fvrier 2008 E-1113
199
Habimana Faustin, MPDRN Kennedy Elizabeth, SP/REFES Keza Remy, MPDRN Mawson Amy, MPDRN Nahayo Spes, SP/REFES Ngendakuriyo Mathias, BRB Ninteretse Gratien, Minifin Niyongabo Prosper, MPDRN Niyonzima Felix, BRB Nkengurutse Jean-Michel MPDRN Nkurikiye Jean-Luc, MINIFIN Nsabimana Salomon, Universit du Grand lac Nsengiyumva Germaine, MPDRN Ntabangana Terence, MPDRN Ntiroranya A. Didier, MPDRN Ryanyeninka M. Rose, MPDRN Sindayikengera Isidore, MPDRN Nkunzimana Jeanine, MPDRN
Comme la liste lindique, les cadres appartiennent diffrentes institutions, avec il est vrai- une prpondrance du MPDRN. Sur les 21 cadres forms dans le cadre du projet, 13 sont du MPDRN, trois du Ministre des Finances (MINIFIN), deux de la Banque de Burundi, deux du SP/REFES et un cadre de luniversit de Grand Lac. Les cadres de lquipe inter institutionnelle ont suivi les ateliers de formation. La premire phase de formation sur la conception du modle INPLABURA a eu lieu en Avril-Mai 2007. Lexpert de SOFRECO avait prpar un document Rapport sur la formation des cadres lutilisation du modle propos: Modle dinformation et de planification du Burundi rnov et amnag (INPLABURA), qui a t distribu aux 21 cadres de lquipe contrepartie. La deuxime phase de formation (16 septembre 16 dcembre 2007) tait axe sur lestimation et simulation des modles, linterprtation et lanalyse des rsultats et le cadre de collaboration institutionnel. Le prsent rapport restitue toutes les Sessions de formation. Pendant la mise en uvre du projet, un remaniement ministriel a eu lieu avec la cration dun nouveau ministre : Ministre des Finances, de l'Economie et de la Coopration au Dveloppement. Ce ministre est le rsultat dune fusion entre lEx-Ministre de la Planification du Dveloppement et de la Reconstruction Nationale et lEx-Ministre des Finances et de lEconomie.
Fvrier 2008 E-1113
200
Grce au projet, lquipe de contre-partie a pu gagner en cohrence, efficacit et en synergie daction car sur les 21 cadres forms, 16 travaillent dans le nouveau ministre. La coopration ou collaboration inter institutionnelle devra se faire entre le Ministre des Finances, de l'Economie et de la Coopration au Dveloppement, la Banque de la Rpublique du Burundi et le Secrtariat Permanent de Suivi des Reformes Economiques et Sociales (deuxime Viceprsidence de la Rpublique).
Fvrier 2008 E-1113
201
ANNEXES
Fvrier 2008 E-1113
202
COMPTE RENDU DE LA REUNION DE LEQUIPE DE MISE EN PLACE DU MODELE INPLABURA

INTRODUCTION En date du 25 septembre 2007, lquipe de mise en place du modle INPLABURA a tenu une runion dans les enceintes du Ministre de la Planification du Dveloppement et de la Reconstruction Nationale (MPDRN). A cette occasion les membres de lquipe devaient changer sur les points suivants : Collecte des donnes statistiques et construction de la banque de donnes; Choix de lanne de base pour les sries temporelles prix constant et dure de la priode historique ; Formation des cadres sur le logiciel Eviews et sur les tests, rgressions des quations individuelles, simulation et projection du modle INPLABURA ; Rdaction du manuel dutilisateur. Cette runion, prside par Monsieur Emile SINZUMUSI, Directeur Gnral de la Planification et de la Prospective au MPDRN, a vu la participation des membres ci-aprs : Institution 1. HABIMANA Faustin MPDRN 2. KEZA Rmy MPDRN 3. FENGURE Balthazar MPDRN 4. NTABANGANA Trence MPDRN 5. NTIRORANYA A. Didier MPDRN 6. NSENGIYUMVA MPDRN Germaine 7. RYANYENINKA Rose MPDRN 8. NKURIKIYE J. Luc Finances 9. BARAZI Bernard Finances 10. BAZOMBAZA J. Marie MPDRN 11. Edouard NSIMBA Expert de SOFRECO 12. YAMUREMYE PAGE Tharcisse 13. Amy MAWSON MPDRN 14. Elisabeth KENNEDY SP/REFES 15.NSABIMANA Salomon U.B.
NometPrnom
Tlphone 79 926897 77 764860 79 990195 79 488435 78 827945 77 703685 77 705027 78 829646 77 774565 79 903229 79 988881
E-mail [email protected] [email protected] [email protected] [email protected] [email protected] [email protected] [email protected] [email protected] [email protected] [email protected] [email protected]
79 960725 [email protected] [email protected] [email protected] 79 598330 [email protected]
Les reprsentants de lInstitut des Statistiques et Etudes Economiques du Burundi (ISTEEBU) et de la Banque de la Rpublique du Burundi, galement membres de ladite quipe, nont pas pu prendre part aux travaux de la runion.
Fvrier 2008 E-1113
203
Les participants avaient leur disposition un document : Programme de Formation et Calendrier dExcution , prpar par M. Edouard Nsimba. Ce document a t la base de rfrence, qui a nourrit les changes. DEROULEMENT ET CONCLUSIONS DE LA REUNION Dans le mot introductif, le prsident de la sance a souhait la bienvenue aux participants et les a remerci davoir rpondu linvitation. Il a ensuite donn la parole lExpert pour prsenter les points sur lesquels devaient porter les changes. Collecte des donnes statistiques et construction de la banque de donnes Calendrier dexcution : 26 septembre 20 octobre 2007 Compte tenu des variables retenues pour le modle INPLABURA (293 variables au total), les sources de donnes statistiques qui ont t identifies sont : Banque de la Rpublique du Burundi (BRB), MPDRN, ISTEEBU, Ministre de lAgriculture et de lElevage, Ministre des Finances, Ministre du Commerce et de lIndustrie, Ministre du Travail, de la Fonction Publique et de la Scurit Sociale, Ministre de la Sant Publique et Ministre de lEducation et de la Culture. Pour le bon droulement de la collecte des donnes, les participants ont demand au Directeur Gnral et au Directeur de la Planification Centrale se concerter pour constituer les groupes et nommer les chefs de groupes Les participants ont par ailleurs suggr, dans le but de bien suivre lactivit de collecte des donnes, de prvoir des runions des chefs de groupes tous les mardis (heures prciser). Cela permettra aux chefs de groupes de faire un expos sur ltat davancement de lactivit et les contraintes rencontres. Sagissant toujours de la question lie lactivit de collecte de donnes, il a t demand au Directeur Gnral dassocier le Ministre du Travail, de la Fonction Publique et de la Scurit Sociale puisquon aura beaucoup besoin des donnes sur lemploi. Par rapport aux questions souleves par lExpert relatives lanne de base et longueur de la priode retenir pour la banque de donnes, les participants nont pas pu trouver une rponse tranche au cours de la runion. Ils ont nanmoins suggr que la priode soit suffisamment longue, pour que lintervalle de confiance et le seuil de signification soient crdibles. Formation des membres du comit de collaboration institutionnel sur lEviews et sur le modle lINPLABURA.
Fvrier 2008 E-1113
204
CALENDRIER DEXCUTION : 21 OCTOBRE 20 NOVEMBRE 2007 Les participants ont adopt la proposition de lExpert. Autrement dit, la formation sera pratique et ncessitera lutilisation des ordinateurs. La formation portera sur : la mise des donnes statistiques collectes en fichier Excel (feuilles dentre); les tests ARCH, Chow, Fisher, Student, Granger, Ramsey, White, CUSUM, Coefficient de dtermination ajust, Durbin-Watson et Mthode CochraneOrcutt ; les notions de calcul de probabilit, dalgbre matricielle, intervalle de confiance et seuil de signification ; la familiarisation aux diffrents algorithmes et choix de lalgorithme qui correspond la structure du modle INPLABURA ; linitiation aux techniques destimation et simulation sous EViews; le test de validation du modle INPLABURA cd existence dune solution mathmatique globale du modle ou Convergence du modle ; linitiation aux techniques de projection/prvision ; llaboration des scnarios ; la mise sur tableaux ou feuille de sortie des rsultats, fichier Excel, et; lanalyse des rsultats de simulation ou analyse dimpacts.
Fvrier 2008 E-1113
205
REDACTION DU MANUEL DUTILISATEUR DU MODELE INPLABURA CALENDRIER DEXECUTION : 21 NOVEMBRE 15 DECEMBRE 2007 Les participants nont pas beaucoup chang sur ce sujet puisquils ont tous trouv que ce document est trs important. Il permettra non seulement aux nouveaux cadres de se familiariser avec le modle mais galement de faciliter les changes entre les membres de lquipe. Les participants ont discut avec lExpert la mise en place dune stratgie pour la prparation du rapport sur lvolution annuelle de lconomie burundaise et lorganisation de la note de conjoncture. Avant de se sparer, les membres prsents ont demand au reprsentant du PAGE de simpliquer activement afin que le PAGE puisse prvoir les frais de collecte de donnes. La runion qui avait commenc 16 heures sest clture 17 heures 45 minutes et la prochaine runion a t fixe au mardi, le 02 octobre 2007 partir de 16 heures au mme endroit. Fait Bujumbura, le 27 septembre 2007
Trence NTABANG
Fvrier 2008 E-1113
206
PROCES-VERBAL DU DEROULEMENT DES ACTIVITES DE LA PREMIERE SESSION DE FORMATION E-VIEWS DU 25 OCTOBRE 2007
APPROCHE GENERALE La formation EViews a trois objectifs. Aprs formation, les cadres de ladministration de la Rpublique du Burundi sauront : - Estimer une quation de comportement dun modle structurel. - Evaluer le modle. - Faire des prvisions et des simulations. La pdagogie de la formation sera dorientation pratique. En effet, toute explication thorique sera dument accompagne de travaux pratiques sur ordinateur.
PROGRAMME I.Estimer une quation de comportement I.1 Modle Linaire I.2 Mthode destimation (Moindre Carrs Ordinaires) I.3 Tests de significativit globale (Fischer) et individuelle (Student), tests de stabilit (Chow) I.4 Tests derreur de spcification (Ramsey) I.5 Tests sur les termes derreur (autocorrlation, heteroscedasticit, normalit) I.6 Correction de lautocorrlation du terme derreur I.7 Simulation et prvision (simulation statique et dynamique, valuation de la qualit prdictive du modle, prvisions) II.Systemes dquations simultanes II.1 Quest-ce que cest ? II.2 Pourquoi la mthode des Moindres Carrs Ordinaires nest plus approprie III.3 Mthodes appropries (Double Moindre Carrs, Triple Moindre Carrs)
Fvrier 2008 E-1113
207
III. Tests de stationnarit et Modles Dynamiques III.1 Pourquoi tester la stationnarit dune srie ? Quest ce que cest et quelles sont les consquences de la non stationnarit ? III.2 Diffrents tests de stationnarit (Dicky-Fuller, Pierre Perron) III.3 Modles VAR (spcification et particularits, estimation, tests de causalit Granger, analyse impulsionnelle) III.4 Cointgration et Modle Correction dErreur (tests de cointgration, modles correction derreur, effets de courts terme et long terme) IV. Simulation dun modle dquations simultanes IV.1 Ecriture dun modle dans E-views IV.2 Rsolution dun modle IV.3 Prvisions dynamiques IV.4 utilisation des add factors pour le cadrage historique V. Introduction a la Programmation E-views V.1 Cration dun fichier programme V.2 Cration dun workfile V.3 Deux types de variables importants : de contrle et de string V.4 Commandes IF et FOR V.5 Cration et Gestion dun modle par programme (crer un objet modle, commandes APPEND et MERGE, commande SOLVE, commandes ADDASIGN et ADDINIT). Rappels Thoriques Exemple dune fonction de consommation :
C = f (Y, P) A ce stade le modle n est pas spcifi. On sait que la consommation est une fonction du revenu et des prix, mais on ne sait pas quelle forme cette fonction va prendre. Il sagit dun modle non spcifi. Le but du jeu est de spcifier la forme de la fonction f. Quelle relation lie le revenu et le niveau de prix avec la consommation ? On peut suggrer une fonction f tel que f soit une fonction linaire, telle que : C = a + bY + c P + Par linaire, on entend que les paramtres sont additifs et les effets marginaux sont constants, C/Y = b et C/P = c). Une fonction telle que C = aY+bP nest donc pas linaire
Fvrier 2008 E-1113
208
Une fonction telle que Y= AK L nest pas linaire telle quelle, mais peut tre linarise grce a la fonction logarithmique, tel que : lnY = ln AK + ln L. C est la variable explique, endogne Y et P sont les variables explicatives, exognes C = a + bY a est la consommation incompressible, cest- -dire ce que lon consomme mme quand Y= 0 b est la propension marginale consommer- si Y accrot dune unit, Caccrotra de b. (C/Y = b) A noter- ceci est diffrent de llasticit- Llasticit mesure combien C accrot si Y accrot dun pourcent ( = C/C / Y/Y = C/Y*Y /C). Dans le cas du modle INPLABURA il sagira essentiellement de fonctions logarithmiques. Les coefficients interprter seront donc des lasticits pour la plus part. A conclure donc : ln C = a + b ln Y et C= a +bY sont deux fonctions linaires, mais on ne pourra pas faire la mme interprtation de leurs coefficients respectifs. Il sagira aussi de garder lesprit que 0 < b < 1. Cest- -dire quon ne peut pas consommer plus que ce quon a, et ni avoir une consommation ngative. Erreurs
En pratique, lorsque lon estime la relation entre une variable explique et ses variables explicatives, il y a un cart/ une erreur qui intervient. On narrive pas tablir 100% sans fautes la relation exacte entre une variable et ses explicatives. Le terme capte cette ide, C = a + bY + votre fichier Excel prsente les sries en colonnes est le terme derreur qui capte la diffrence entre la ralit (C) et ce quon a estim ( a+bY) , = C (a+bY) Ce terme derreur capte : lensemble des facteurs explicatifs de la Consommation (C), qui ne sont pas spcifis dans le modle. Dans cet exemple prcis, il peut sagir des prix, de la taille du mnage etc. lerreur due la spcification de la relation mathmatique.
Fvrier 2008 E-1113
209
Le but du jeu est de garder le plus petit, matrisable et prvisible que possible, pour que lon puisse boucler le modle. Hypothses imposes
Le but du jeu est destimer les paramtres a et b. Cest dire trouver une valeur approximative des coefficients a et b a partir des donnes observes par le pass de C et Y. Avant cela, il sagit de poser des hypothses sur le terme derreur . En effet le modle de rgression linaire fait 4 hypothses de base sur la forme du terme derreur : En moyenne, sur la priode, est nul a une variance constante = homoscedasticit La covariance de est nulle. Soit deux valeurs de X, Xi et Xj (i=j), la corrlation entre i et j est nulle. = Non autocorrlation des suit une distribution normale. Estimation des coefficients a et b
En supposant que obissent aux hypothses ci dessus, on utilise la mthode des Moindres Carrs. En supposant que la relation entre la variable explique et le(s) variable(s) explicative(s) est linaire, on obtient un nuage de points qui reprsente les donnes collectes. Il sagit de pouvoir tracer une droite dajustement travers ce nuage, qui passe par un maximum de ces points. La droite des moindres carrs est la droite qui passe le plus prs possible de tous les points. Plus techniquement parlant, soit n paires dobservations C et Y, on veut dterminer une fonction qui est la plus proche possible la fonction relle. A cette fin, on adopte un critre particulier qui est dadopter la fonction qui minimise la somme des rsidus . Le carr est introduit, par souci de signe, pour obtenir un chiffre de signe positif. Dmonstration EViews
Imaginons quon a des donnes statistiques pour 10 variables pour la priode 1965-2002. Crer un WORKFILE (= espace de travail) Commande : File/New/Workfile. Il apparat une fentre intitule Workfile Range. La, il faut introduite les donnes suivantes : Start Date (date de dbut)- Soit 1965 dans ce cas prcis.
Fvrier 2008 E-1113
210
End Date (date de fin)- Soit 2002 dans ce cas prcis. Frequency (Frquence) : Annual (annuel), Semi Annual (semi annuel), Quarterly (trimestriel), Monthly (mensuel), Weekly (semaine), Daily (quotidien)Il sagira de cocher la case Annual dans ce cas prcis. Importer les donnes. Dans la majorit des cas, on aura une base de donnes sur Excel. Il nous faudra donc importer ces donnes vers le logiciel E-views, avant de pouvoir traiter les donnes. Commande : File/Import/Read Text Slectionner le fichier concern dans vos documents. Il saffichera ensuite une fentre nomme Excel Spreadsheet Import Il faut tout dabord cocher entre : By obs : series in columns (votre fichier Excel prsente les sries en colonnes) By obs : series in rows (votre fichier Excel prsente les sries en lignes) Ensuite, Upper left data cell (cellule de donnes la plus haute gauche)- il sagit dindiquer au programme quelle est votre premire cellule de donnes, afin de ne pas inclure le temps (1965-2002), par exemple, comme une variable. Excel 5 + sheet name = Si vous avez plusieurs feuilles/onglets dans votre fichier il sagit dindiquer sur quelle feuille se trouve vos donnes. Names /Number of series in file (noms /nombre de sries dans le fichier)- dans ce cas prcis insrer le nombre 10. Import Sample (chantillon importer)- Il sagit de prciser si on veut importer toute la srie, cest dire de 1965- 2002, ou bien une partie de cette srie, de 1967-1987 par exemple. La question des donnes manquantes. Si pour une raison quelconque il vous manque des donnes pour une ou plusieurs priodes, il existe deux options. On peut soit accepter quon a des donnes manquantes, et ces priodes seront donc ignores par EViews dans lapproximation des coefficients, ce qui risque de biaiser les rsultats. Une autre option est de faire une approximation informe des donnes manquantes. En effet, avec des expriences des secteurs donns, en observant les tendances passes, il est possible de faire des approximations non fallacieuses des donnes manquantes. Estimation de la mthode des moindre carrs Ordinaires Commande : Quick / Estimate Equation Il apparat une fentre nomme Equation Spcification. Il suffit dentre le nom de la variable explique suivie de la liste des variables explicatives. 211
Fvrier 2008 E-1113
Si on cherche expliquer la Consommation (CONSO) par le niveau de revenu (REV) par exemple, il s agira dcrire : CONSO C REV Ou C dnomm la constante. A noter aussi quil faut insrer des espaces entre chaque variable. Le rsidu est automatiquement pris en compte, il ny a nul besoin de linclure dans la syntaxe. Si on a beaucoup de variables explicatives, on a peut tre pas envie dcrire toute la syntaxe la main. Dans ce cas, dans la fentre qui prsente le nom de toutes nos variables, on peut cliquer sur la variable explique en premier, suivi de toutes les variables explicatives, faire un click droit sur la souris, Commande : open/as quation/ 1. Interprtation On commence toujours par regarder r-squared, qui est le coefficient de dtermination. Il mesure la part de variation de la variable endogne/explique, qui est explique par la variable exogne/explicative. Le coefficient de dtermination est compris entre 0 et 1. Plus proche de celui ci est 1, plus significatifs sont les coefficients. Entre deux modles, un qui a un coefficient de dtermination de 0.89 et un qui en a un de 0.92, on choisit le deuxime modle. On regarde ensuite le Adjusted r2- qui prend mieux en compte le nombre de variables explicatives et pnalise le r-squaredclassic pour cela. En effet, lorsquon ajoute des variables explicatives au modle, chacune dentre elles expliquera une part de la variable explique. Lorsquon a peu de donnes et un nombre de variables explicatives lev, il y a une grande diffrence entre r-squared et adjusted rsquared. On aura tendance voir un adjusted r-squared infrieur au r-squared. Cest pour cette raison quil est prfr au r-squared classique comme outil dinterprtation. Test de significativit globale, Test de Fischer. On se pose la question de si oui ou non le modle spcifi est globalement significatif. On pose lhypothse nulle que tous les coefficients des variables explicatives sont nuls. H0 : a, b, c = 0 En termes intuitifs lhypothse nulle stipule que le modle spcifi ne sert rien, les coefficients sont nuls, ce qui signifie dans le cadre de notre exemple, que le niveau de revenu nexplique en rien la consommation. P(F-stat) nous donne la probabilit de se tromper en rejetant lhypothse nulle H0. Si P(F-stat)>0.05, on accepte H0. Si P(F-stat) <0.05, on rejette H0. Si P(F-stat) = 0.0001, on rejette lhypothse nulle, et le modle est donc significatif. 212
2.
3.
Fvrier 2008 E-1113
4.
Test de Significativit Individuelle des Coefficients, Test de Student. La mthode est similaire au Test de Fischer. On se pose la question de si oui ou non le coefficient dune variable explicative est significatif. On pose lhypothse nulle que le coefficient dune variable explicative donne soit nul. H0 : b= 0 P(t-stat) nous donne la probabilit de se tromper en rejetant lhypothse nulle H0. Si P(t-stat)>0.05, on accepte H0. Si P(t-stat) <0.05, on rejette H0. Tests des hypothses imposes au rsidu= terme derreur= Auto corrlation On se pose la question de si oui ou non les rsidus sont autocorrls. Pour cela on regarde le rsultat du test Durbin Watson. DW 2 (1-), ou est une mesure de la corrlation des rsidus. On aurait envie que soit nul pour quil ny ait pas auto corrlation des rsidus. Ceci impliquerait que la statistique DW soit gale 2. Si la statistique DW est proche de 2, il y a absence dauto corrlation des rsidus. A contrario, si est gal 1, il y a corrlation des rsidus, et la statistique DW sera nulle. Si la statistique DW est proche de 0, il y a auto corrlation des rsidus. On peut galement regarder le rsultat du test Breusch Godfrey Commande: View/Residual Tests/ Serial Correlation/LM test. On pose lhypothse nulle que les rsidus de sont pas autocorrols. H0 : Non Auto corrlation. Si on voit BG= 15.435 et P=0,000 Cest que la probabilit de se tromper en rejetant lhypothse nulle H0 est moindre (<0.05) On peut donc rejeter lhypothse nulle, et dire que les rsidus sont autocorrls.
5. A.
Fvrier 2008 E-1113
213
On peut galement se fier au corrlogramme des rsidus, qui est une reprsentation graphique de du test de Durbin Watson. Le graphique montre les limites dans lesquelles est gal 0, cest--dire ou les rsidus sont non auto-corrls. Si dpasse ces limites, on observe clairement auto corrlation des rsidus. B. Htroscedasticit Pour cela, on regarde le rsultat du test de White. On pose lhypothse nulle que les rsidus sont homoscdastiques. H0 : Homoscdasticit des rsidus Commande: View/Residual Test/White Heteroskadisticity Test. On procde comme dhabitude pour accepter ou non lhypothse nulle. 6. Tests de Stabilit du Modle Si on veut modliser des relations entre diverses grandeurs, il faut prendre soin quil ny ait pas de fissures abruptes dans notre base de donnes. Une telle fissure peut tre engendre par une guerre civile, un changement de rgime de change, un choc ptrolier, une chute radicale du prix du caf etc. De tels vnements peuvent changer le comportement habituel de relations existantes entre certaines grandeurs conomiques. Il est donc dintrt majeur de tester la stabilit du modle. Les tests appropris sont : Le Test Chow Le Test CUSUM Le Test CUSUM of squares Lhypothse nulle, est de celle de la stabilit du modle
Elisabeth Kennedy, SF/REFES
Fvrier 2008 E-1113
214
PROCES-VERBAL DU DEROULEMENT DES ACTIVITES DE LA DEUXIEME SESSION DE FORMATION E-VIEWS DU 26 OCTOBRE 2007 La deuxime journe de formation sur le logiciel EViews a concern deux points : une srie de questions pour bien apprhender le degr de comprhension des concepts de base et de pouvoir faire des estimations conomtriques ainsi que des prvisions une rvision (cas pratiques) des diffrentes commandes dont on a besoin pour faire une analyse conomtrique. Ce point a t subdivis en deux sous points : la spcification des modles conomtriques et leur interprtation. I. Sries de questions et rponses
Quelle est le rle de lconomtrie dans la modlisation macroconomique ? Rponse : Lconomtrie permet destimer les quations de comportement dun modle et partir de ce modle on fait des prvisions. Quest ce quun modle linaire ? Rponse : Un modle linaire est un modle dont leffet marginal reste constant quelque soit le niveau des variables exognes. Parmi les quations suivantes, quelles sont celles qui sont linaires ? 1)Qt = AK L 3)Ct = + Yt 2)Q= 1 ( 2 K3 + (1-2)4 4)Ct = 0 + 1Yt + 2 Pri Xt + 3 Ct-1
Rponse : Ce sont les quations n 3 et n4 qui sont linaires eu gard la condition cihaut nonce. On considre la fonction de consommation suivante : Ct = + Yt + t Justifier la prsence du terme erreur. Rponse : le terme erreur regroupe lensemble des variables explicatives non prise en compte dans la spcification du modle. Que reprsente le coefficient du revenu dans cette quation ? Ce coefficient peut-il tre suprieur 1 ? Pourquoi? Rponse : le coefficient du revenu reprsente la propension marginale consommer. Autrement dit, cest la variation de la consommation suite une variation du revenu : = C/Y. 215
Fvrier 2008 E-1113
Normalement pour des biens normaux, la propension marginale consommer est toujours comprise entre 0 et 1 mais pour des biens infrieurs et suprieurs, elle peut tre successivement ngative et suprieure un. Ici le professeur formateur a profit de loccasion pour rappeler la loi dEngel qui stipule que : quand les revenus des consommateurs ne sont pas levs, ce sont les biens primaires qui consomment la grande part du revenu. Quand le revenu commence augmenter, ce sont les biens secondaires qui priment. Quand le revenu augmente encore plus, ce sont les biens tertiaires qui consomment la grande partie du revenu. Quentend on par stabilit du modle ? Rponse : un modle conomtrique est stable si ses coefficients nont pas chang travers la priode danalyse. Autrement dit pour ce qui est de la fonction de consommation, quand le modle est stable, cela veut dire que le comportement des mnages est rest inchang. Un modle a besoin dtre stable pour viter des erreurs de prvisions. En effet pour faire des prvisions sur une priode dtermine, lon doit se baser sur une hypothse centrale qui est Toutes choses tant gale par ailleurs pour supposer que le comportement des acteurs ne va pas changer durant cette priode. Toutefois, on peut prendre une hypothse optimiste lors de ltablissement des prvisions. Quels sont les tests de stabilit vus au cours de la premire session de formation ? Expliquer comment on interprte les rsultants de ces tests ? Rponse : Pendant la premire session on a vu deux tests de stabilit savoir le test de Chow et celui de CUSUM Le Test de Chow permet de connatre lanne de cassure : ce test nous aide vrifier si les coefficients du modle sont les mmes sur les deux sous priodes danalyse davant et daprs la cassure ou sils sont diffrents .En effet, si les coefficients sont les mmes on combine les deux quations, sils sont diffrents, on les spare et on aura dans ce cas deux quations pour les prvisions. Autrement dit il sagit de tester si oui ou non les coefficients des deux modles sont les mmes ou pas. Quant lui, le test de CUSUM permet didentifier le point de cassure ( Break point). En effet, si la courbe sort de la zone de confiance, il y a cassure.
Fvrier 2008 E-1113
216
Aprs la sance des questions et rponses, le formateur a propos quon rvise les diffrentes commandes dont on a besoin pour faire une simulation conomtrique. Lexercice consistait en une spcification des modles conomtriques sur base dune base de donnes saisies dans Excel et en linterprtation des rsultats ainsi obtenus.
II. Diffrentes commandes pour faire une spcification des modles conomtriques a) Pour la saisie de la base de donnes dans Excel :

Ouvrir le logiciel Excel saisir les donnes dans une feuille dentre Excel Sauvegarder la base de donnes de la feuille dentre
b) Pour la spcification des modles conomtriques sur base des donnes dj saisies dans Excel :

ouvrir Excel et identifier le fichier sur lequel on veut travail identifier le nom et le nombre des variables fermer Excel ouvrir Eviews open new workfile file import read lottus excel- ok dtermination de la frquence start date end date (toute en indiquant le nombre de variable) ok visualiser les variables de la base de donnes quon a import en procdant de la sorte : slection des variables dont on veut visualiser les donnes- clic droit de la souris open open as group une fois quon est rassur que la base de donnes est correcte, on la ferme pour entamer les spcifications des modles estimation de lquation : choisir la variable endogne et aprs lavoir identifie, slectionner toutes les variables explicatives dont on a besoin pour la spcification et par un clic droit procder comme suit : open open as quation ok .
Fvrier 2008 E-1113
217
III. Interprtation des rsultats sur E-views A priori, il faut vrifier sil y a ou pas auto corrlation des erreurs (rsidus). 1) Avec le rsultat donn par le test DW (Durbin-Watson), on est plus ou moins renseign sil y a ou pas une prsomption dauto corrlation des erreurs. Si la valeur calcule est proche de 2 (i.e Absence dauto corrlation des rsidus, Si la valeur calcule est proche de 0 Dtection dune auto corrlation des erreurs. Q : Que se passe-t-il si la valeur donne par le test de DW nest ni proche de 0 et ni proche de 2 ?
Etape 1 : Collerogramm test On visualise le corrlogramme des rsidus pour voir de par et dautre, les bandes dpassent les pointilles qui symbolisent lintervalle de confiance. View Residual test Collerogramm validez Si la bande sort les pointilles Auto corrlation des erreurs En cas contraire Absence dauto corrlation des erreurs
Etape 2 : Test de Breusch-Godfrey En cas de dtection dauto corrlation des erreurs, on applique le test de Breusch-Godfrey. Ce dernier vise lindpendance des erreurs car il ne faut pas que lerreur en t soit lie celle de t (-1) ou t (-2) ou . View Residual test Serial correlaion test Lag to include (1) (ordre de niveau 1) validez N.B. Lordre va de 1,2,. Et on sarrte quand, au niveau suprieur, les rsidus ne sont pas significatifs. 218
Fvrier 2008 E-1113
H0 : Absence dauto corrlation H1 : Auto corrlation des erreurs
Seuil critique de significativit : Prob = 5% N.B. Le niveau de probabilit renseigne sur le risque que lon courre en rejetant lhypothse nulle > 0,05 On accepte lhypothse nulle (absence dauto corrlation des erreurs) < 0,05 On rejette lhypothse nulle (auto corrlation des erreurs)
Etape 3 : Test dhtroscdasticit (Test de White) A ce niveau, on vrifie si les erreurs conservent une variance constante tout au long de la priode View Residual test White Heteroscedasticity test validez

H0 : Les rsidus sont homoscdastiques H1 : Les rsidus ne sont pas htroscdastiques
Seuil critique de significativit : Prob = 5% N.B. Le niveau de probabilit renseigne sur le risque que lon courre en rejetant lhypothse nulle > 0,05 On accepte lhypothse nulle (rsidus homoscdastiques) < 0,05 On rejette lhypothse nulle ( rsidus htroscdastiques)
Etape 4 : Test de stabilit du modle A ce niveau, il sagira de sassurer si, dans une quation de comportement par exemple, les mnages nont pas chang de comportement depuis une certaine priode.
Fvrier 2008 E-1113
219
Etape 4.1 Test de Chow Ce test sert : dtecter sil existe ou pas une anne de cassure estimer les quations avant et aprs lanne de cassure 1. si les coefficients des deux droites sont gaux pas de cassure dans la srie 2. Si les coefficients des deux droites sont diffrents break point dtect View stability test Chow test validez H0 : Pas de changement de comportement stabilit du modle sur toute la priode H1 : Changement des comportements modle pas stable Interprtation des probabilits : I dem
Etape 4.2 : Test de Cusum Ce test vous suggre : quel point il y a eu rupture dans les habitudes de comportement la variation des comportements travers lintervalle de confiance mesurer lampleur du choc (structurel ou conjoncturel) Structurel ( quand la courbe sort de lintervalle de confiance et ne rentre pas dans cet intervalle), conjoncturel ( quand la courbe sort et entre par la suite dans lintervalle de confiance) View stability test Recursive estimation validez
Etape 5. Dtection de la muticollinarit On parle de multicollinarit , si on est en prsence des variables explicatives qui sexpliquent entre elles. On parle dun modle redondant. Les variables explicatives doivent tre indpendantes sinon, on aura la confusion des effets sur la variable endogne. 220
Fvrier 2008 E-1113
Un modle parcimonieux est toujours conseill car vaut mieux avoir peu de variables qui expliquent beaucoup la variable endogne que davoir plusieurs variables qui nexpliquent rien du tout. Pour dtecter sil y a multicollinarit ou pas, on passe par la matrice des corrlations correlation matrix View correlation simple correlation matrix Si deux variables sont fortement corrles (proche de 1) i.e quon peut utiliser lune la place de lautre et vice- versa. Mais pas les deux en mme temps car cela pour consquence de rendre lautre variable non significative. Etape 6. Coefficient de dtermination R2 et R2 ajust Le R2 renseigne sur le niveau dexplication (en %) du modle par les variables explicatives prises en considration et il est compris ente 0 et 1. Sil est proche de 1, le modle est plus que satisfaisant. Cependant, cest le R2 ajust (version pnalise de R2, qui choisit entre plusieurs modles alternatifs) car le coefficient de dtermination simple R2 augmente (mcaniquement) avec le nombre de variables explicatives prises en compte dans le modle. R2 ajust < R2 ; R2 ajust = f ( n, k) ou k = nbre de variables explicatives
Etape 7. Tests de significativit globale du modle Etape 7.1 : Test de Fischer Ce test renseigne sur la significativit des coefficients des variables explicatives prises globalement. Il sagit de vrifier sil existe au moins un coefficient significatif. H0 : a = 0 H1 : a = 0 significatif ; b=0 ; tous les coefficients sont nuls il y a au moins un coefficient qui nest pas nul i.e
b =0
Interprtation des probabilits : I dem (on se rfre toujours aux probabilits)
Fvrier 2008 E-1113
221
1.
Etape 7.2 Test de Student
Ce test renseigne sur la significativit des coefficients des variables explicatives (exognes) prises individuellement.

H0 : b = 0 coefficient nul (pas significatif) H1 : b = 0 coefficient non nul i.e significatif
Interprtation des probabilits : I dem A RETENIR ! Pour des tests de significativit, il faut savoir ce quon veut tester et se mettre en tte que lhypothse nulle (H0 ) sera toujours lhypothse que lon veut mettre lpreuve.
Gratien Ninteretse, MINIFIN
Fvrier 2008 E-1113
222
PROCES VERBAL DE LA 3me SESSION SUR LA FORMATION E-views DU 29 OCTOBRE 2007

Deux grandes parties ont caractris cette sance savoir : 1. des questions de comprhension en rapport la multicollinarit dune part et le modle autorgressive dautre part 2. Une rvision pratique (sur machine) encadre et supervise par lquipe des consultants I. Premire partie Multicollinarit On entend par multicollinarit, si dans un modle donn, il y a dtection de deux ou plusieurs variables qui sont fortement corrles entre elles. Les consquences de cette dernire sont essentiellement de 3 sortes savoir : Confusion des effets (effets conjugus) rduction de la significativit des coefficients Impossibilit destimer le modle en cas de multicollinarit parfaite Cependant, il existe un moyen de contraindre cette multicollinarit laide de la matrice de corrlation2 Modle auto rgressif Un modle est dit auto rgressif si la variable endogne est explique par ses valeurs passes. Autrement dit, cest quand la variable endogne retarde (effet mmoire) figure parmi les variables explicatives. N.B. Un modle dynamique se distingue dun modle statique par la prsence dune variable retarde. II. Rvision pratique Etape 1 : Exporter les donnes dans E-views Connatre ltendu de la srie ( start date & end date) et le nombre de variables Crer le Workfile : File / new / workfile Importer les donnes de excel vers E-views Visualiser les variables : slectionnez les variables/ open/ as a group Enregistrer : file / save as / nom
2
Pour les commandes, se rfrer au P.V sance 2, partie interprtation
Fvrier 2008 E-1113
223
Etape 2 : Ana lyser lvolution dune variable Visualiser la srie : Double clik sur la variable ou slectionner / show View / graph / line Revenir aux donnes : Cliquer sur sheet Lutilit du multigraph : sert vissualiser deux ou plusieurs variables de grandeur diffrente. view / correlation / common sample : tient compte de ltendu commun des variables Ex : cons : 1965 2002 / PIB : 1965 2000 / Infl : 1965 1999 ; ltendu qui sera prise en compte sera la plage que ces variables auront en commun. Donc, de 1965 1999. Enregistrer : Name / nom / valider
Etape 3 : Cration des Log et / ou dautres variables On peut gnrer nimporte quelle variable mais partir des variables qui existe dj : Quick / generate series / enter equation Ou avec raccourci : Genr / enter equation Lintrt de gnrer une variable est de vrifier la cohrence laide des identits comptables Ex : INVTOT = INVG + INVPRI : la cohrence sera assure sil advient que INVTOT saisie est gal INVTOT donne par la formule. Utilit des log : 1. sert linariser une fonction qui nest pas linaire Y=AK L L Y = a + log K + log L (forme mathmatique) Quick / estimate equation / crire lquation 2. quantifie la sensibilit dune variable dpendante par rapport la variable explique par le biais des lasticits respectives des coefficients.

Etape 3.1 : Gnrer le taux de croissance du PIB gt = LPIB LPIB (-1) gt = D (LPIB) * 100 o D traduit la diffrence 224
Fvrier 2008 E-1113
Etape 4 : Correction de lauto corrlation des erreurs Si le test de DW est loin de 2, il y a prsomption dauto corrlation des erreurs Visualisation du collerogramme : view / residuals test / collerogram On vrifie le niveau du retard qui est significatif. Par ex. si le premier retard est significatif, on dira que les erreurs sont autocorrles lordre 1. Corriger lauto corrlation par lajout du terme AR(1) : estimate / Ajout de AR (1) Le terme AR doit tre significatif Revenir aux quations : stats Refaire le collerogramme N.B. AR : coefficient de lerreur autocorrle Il peut tre positif ou ngatif mais doit tre < 1, car il faut que les erreurs aillent en diminuant Etape 5 : Simulation des sries Etape 5.1 : Simulation historique Il sagit de vrifier si le modle colle bien aux donnes historiques. Feuille des rsultas / forecast / un grahique apparat Vrifiez la valeur de Theil Inequality Coefficient comprise entre 0 et 1 Lindice de Theil renseigne sur le niveau dadquation. Sil est proche de 0, cest que le modle a pu produire les donnes historiques Donc le modle peut mieux prdire lavenir Etape 5.2 Simulation avenir (prvisions futures) Il faut dabord connatre le fonctionnement de lconomie et de lenvironnement extrieur. Ensuite, il faut construire des hypothses plausibles pour la priode des prvisions souhaits. Par exemple : H / 3% de croissance du PIB Gnrer : Generate / LPIB LPIB (-1) = 0.03 Spcifier la priode de prvision Etendre : Range / allonger la priode ( end date only) Quick / Generate / LPIB = LPIB (-1) + 0.03 A ce niveau, il faut signifier que la formule sapplique uniquement lchantillon des prvisions futures.
Didier Ntiroranya, MPDRN

Fvrier 2008 E-1113
225
PROCES VERBAL DE LA 4me SESSION DE FORMATION SUR E-VIEWS DU 30 OCTOBRE 2007 Cette session a t marque par deux points : Les prvisions Etude de cas I. Les prvisions On sest donne deux hypothses : Hausse du PIB de 3% par an jusquen 2010 Maintient des prix leur niveau de 2002 La premire tape faire est dlargir le range et le sample. Pour ce faire, on double click sur Range et on crit 2010 la place de 2002. On fait de mme pour sample. 1/ Le PIB Pour prvoir le PIB avec un taux de croissance de 3%, on utilise la formule : LPIB2003= LPIB2002+0.03 Dans E.views, on demande la machine de complter la base de donnes chaque fois en ajoutant 0.03 jusquen 2010. Generate series by equation (on tape le nom de la variable gnrer telle que dans la base) lpib=lpib(-1)+0.03 ; dans sample, au lieu de 1965 2010, on crit 2003 2010 valider. On obtient une srie complte jusquen 2010. 2/ LIPC Pour lIPC, on a fait lhypothse que les prix resteront constants de 2002 jusquen 2010. Generate series by equation ipc= @elem(ipc,2002) Dans sample, on crit 2003 2010 et on valide. Pour prvoir la consommation, on part de lquation de la consommation dj estimer (eqconso) en fonction du pib et de lipc. On ouvre eqconso forecast forecast sample: 2003 2010 ok
Fvrier 2008 E-1113
226
On obtient un graphique. Les prvisions sont reprsentes par la ligne bleue du milieu et les valeurs observes sont parpilles dans lintervalle de confiance dlimit par les pointills. On ouvre en groupe lconsp et lconspf. On commence par slectionner lconspf puis lconsp, click droit de la souris open as group. Les donnes apparaissent. On fait View graph line. On obtient un graphique la fois rouge et bleu et le bleu commence en 2003 l o commencent les prvisions. N.B : Si on oubli de changer le sample, la nouvelle srie va craser lancienne. 3/ Le taux de croissance Taux de croissance de la consommation Tauxcons= d (lconsopf)*100 Generate tauxcons=d (lconspf)*100 Dans sample, on crit 2003 2010 ok. On ouvre alors tauxconsp. On a gnr les taux de croissance sur toute la priode de 1965 2010. Pour sparer la priode davant et la priode sous prvision, on gnre les taux sparment. Avant : Generate tauxconspavant=d (lconsp)*100, dans sample, on crit 1965 2002 et on valide. Aprs : Generate tauxconspf=d (lconspf)*100, dans sample on crit 2003 2010 et on valide. Pour faire un graphique des taux de croissance, on slectionne tauxconspavant et tauxconspf click droit open as group et les taux apparaissent. On click sur View graph line. On obtient le graphique (la premire partie non prdi te et la partie prdite). II. Etude de cas Pour ltude de cas, on a form 4 groupes. Le premier groupe avait estimer lquation de loffre du secteur agricole. Le deuxime groupe travaillait sur la fonction de production de lindustrie. Le troisime groupe estimer la fonction dinvestissement priv. Le quatrime groupe a travaill sur la fonction de consommation prive.
Fvrier 2008 E-1113
227
Il y avait aussi la fonction dexportation&importation. Pour cette tude de cas, les donnes utiliser se trouvaient dans Excel, fichier donnes sur le Burundi ADI BAD . Il fallait dabord chercher dans la base de donnes Excel les variables explicatives de chaque fonction et cela pour chaque groupe. Dabord, il fallait copier la ligne qui contient la fonction estimer et lenregistrer sous un autre classeur. Slectionner la ligne copier nouveau dition collage spcial transpos ok Cest dans le classeur quon va mettre les donnes en rapport avec la fonction estimer. Si on obtient toutes les donnes ncessaires pour estimer la fonction, on enregistre le classeur et on ferme Excel. On va alors dans Eviews pour estimer la fonction. On cre dabord le workfile et on importe les donnes dExcel vers Eviews. On estime alors la fonction. La session sest clture sans quon ait dj termin ltude de cas.
Rose Ryanyeninka, MPDRN
Fvrier 2008 E-1113
228
PROCES-VERBAL : FORMATION SUR E-VIEWS SESSION 5 DU 31 OCTOBRE 2007

Date : le 31/10/2007 Lieu : Restaurant KU KAYANGE Heure : de 8H00 13H00 La cinquime session de formation sur E-views concernait une tude de cas (Burundi) et les participants taient rpartis en 4 groupes de 3 chacun. Chaque groupe devait dsigner une personne pour exposer son cas devant les autres participants et devant les deux consultants prsents dans la salle. *Cest le 1er groupe qui a commenc et avait estimer lquation de loffre du secteur agricole . 1re tape : Comme lestimation de la production est faite laide du modle COBB DOUGLAS, la variable endogne est la Valeur ajoute du secteur agricole (VAAGRI) dune part et les variables exognes sont linvestissement total (INVTOT) et la force de travail (TRAVTOT) dautre part. Linvestissement total est compos de linvestissement priv (INVP) et linvestissement public (INVG). Ils ont extrait de la base de donnes les variables ci haut mentionnes et ils les ont copi en transpos sur une autre feuille du mme fichier. Nous lavons enregistr et ferm. 2me tape : Avant dimporter vers EViews, nous avons dabord cr un workfile dnomm Exercice 2 en prcisant la date de dbut de la srie et la date de fin (19602004), soit 45 observations. Aprs importation, ils ont transform toutes les donnes en logarithme et ont procd lestimation des quations de la faon suivante : 1re quation : Estimation Command: ===================== LS LVAAGRI LTRAVTOT LINVTOT LINVP LINVG C Estimation Equation: ===================== 229
Fvrier 2008 E-1113
LVAAGRI = C(1)*LTRAVTOT + C(2)*LINVTOT + C(3)*LINVP + C(4)*LINVG + C(5) Substituted Coefficients: ===================== LVAAGRI = 0.7545969028*LTRAVTOT - 0.1400827005*LINVTOT 0.1721744418*LINVP + 0.1445240489*LINVG + 16.44636199 Dependent Variable: LVAAGRI * Method: Least Squares I Date: 10/30/07 Time: 12:08 n Sample (adjusted): 1979 2002 t Included observations: 24 after adjustments e r Variable p r LTRAVTOT LINVTOT t LINVP a t LINVG i C o n R-squared d Adjusted R-squared e of regression S.E. s Sum squared resid Log likelihood r Durbin-Watson stat s Rsultats Coefficient 0.754597 -0.140083 0.172174 0.144524 16.44636 0.700970 0.638017 0.064738 0.079630 34.44649 1.230968 Std. Error 0.271207 0.158349 0.083126 0.065350 2.549050 t-Statistic 2.782369 -0.884644 2.071240 2.211525 6.451957 Prob. 0.0119 0.3874 0.0522 0.0395 0.0000 24.79247 0.107601 -2.453874 -2.208447 11.13471 0.000080
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
Ce tableau montre que le R ajust est faible (63,8%) < 65%, c'est--dire que probablement il y a dautres variables qui ne sont pas prises en compte dans la spcification du modle dune part ou bien les donnes ne sont pas fiables. 2me quation : Estimation Command: ===================== LS LVAAGRI LTRAVTOT LINVP LINVG C AR(1) Estimation Equation: ===================== LVAAGRI = C(1)*LTRAVTOT + C(2)*LINVP + C(3)*LINVG + C(4) + [AR(1)=C(5)] 230 Fvrier 2008
E-1113
Substituted Coefficients: ===================== LVAAGRI = 0.2321824277*LTRAVTOT + 0.07026167757*LINVP 0.01239127008*LINVG + 21.32676553 + [AR(1)=0.7527894721] Dependent Variable: LVAAGRI Method: Least Squares Date: 10/30/07 Time: 12:11 Sample (adjusted): 1980 2002 Included observations: 23 after adjustments Convergence achieved after 14 iterations Variable LTRAVTOT LINVP LINVG C AR(1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots Coefficient 0.232182 0.070262 -0.012391 21.32677 0.752789 0.767748 0.716137 0.052883 0.050340 37.79565 2.026595 .75 Std. Error 0.336280 0.040953 0.057015 5.104003 0.164449 t-Statistic 0.690443 1.715672 -0.217332 4.178439 4.577638 Prob. 0.4987 0.1034 0.8304 0.0006 0.0002 24.80194 0.099258 -2.851796 -2.604949 14.87553 0.000016
Estimation Command: ===================== LS LVAAGRI LTRAVTOT LINVTOT C AR(1) Estimation Equation: ===================== LVAAGRI = C(1)*LTRAVTOT + C(2)*LINVTOT + C(3) + [AR(1)=C(4)] Substituted Coefficients: ===================== LVAAGRI = 0.4030205919*LTRAVTOT 17.44359945 + [AR(1)=0.8438493005]
0.05589068607*LINVTOT
Fvrier 2008 E-1113
231
Dependent Variable: LVAAGRI Method: Least Squares Date: 10/30/07 Time: 12:13 Sample (adjusted): 1966 2002 Included observations: 37 after adjustments Convergence achieved after 7 iterations Variable LTRAVTOT LINVTOT C AR(1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots Coefficient 0.403021 0.055891 17.44360 0.843849 0.923047 0.916051 0.077978 0.200659 44.01500 1.761417 .84 Std. Error 0.387508 0.042071 5.682237 0.086963 t-Statistic 1.040032 1.328485 3.069847 9.703502 Prob. 0.3059 0.1931 0.0043 0.0000 24.63541 0.269131 -2.162973 -1.988820 131.9435 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob (F-statistic)
Fvrier 2008 E-1113
232
Dependent Variable: LVAAGRI Method: Least Squares Date: 10/31/07 Time: 10:50 Sample (adjusted): 1978 2000 Included observations: 23 after adjustments Variable C LINVPR LTRAVTOT LTERRE LENGRAIS @TREND R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -197.1904 0.027894 13.61644 2.061982 0.010665 -0.323189 0.932606 0.912784 0.034284 0.019981 48.42169 2.122707 Std. Error 33.14423 0.016821 2.711340 1.377300 0.021035 0.066997 t-Statistic -5.949464 1.658314 5.022033 1.497119 0.507025 -4.823946 Prob. 0.0000 0.1156 0.0001 0.1527 0.6187 0.0002 24.77461 0.116088 -3.688843 -3.392627 47.04955 0.000000
Rsultats : aprs avoir ajout les variables (Terre, Angrais), ils ont constat que le DW est bon car. *Ensuite, cest le 4me groupe qui a suivi et travaillait sur la fonction de consommation . Estimation Command: ===================== LS CONSOPRIVEE REVENUDISPO TAUXINT C Estimation Equation: ===================== CONSOPRIVEE = C(1)*REVENUDISPO + C(2)*TAUXINT + C(3) Substituted Coefficients: ===================== CONSOPRIVEE = 0.6544744546*REVENUDISPO + 570876464.1*TAUXINT + 2.505342656e+10 Dependent Variable: CONSOPRIVEE Method: Least Squares Date: 10/30/07 Time: 08:10
Fvrier 2008 E-1113
233
Sample(adjusted): 1974 2002 Included observations: 29 after adjusting endpoints

Variable REVENUDISPO TAUXINT C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient Std. Error 0.654474 5.71E+08 2.51E+10 0.783268 0.766596 7.39E+09 1.42E+21 -698.5357 0.856950 0.082002 1.80E+08 8.17E+09 t-Statistic 7.981194 3.177401 3.067348 Prob. 0.0000 0.0038 0.0050 8.71E+10 1.53E+10 48.38178 48.52322 46.98195 0.000000
Rsultats : ils ont constat que le DW nest pas satisfaisant car il est infrieur 2 et, aprs avoir visualis le corrlogramme des rsidus, ils ont remarqu que les bandes dpassent les pointilles. Donc il y a autocorlation des erreurs dordre 4. Estimation Command: ===================== LS LOGCONSOPRIVEE LOGREVENUDISPO TAUXINT C AR(4) Estimation Equation: ===================== LOGCONSOPRIVEE = C(1)*LOGREVENUDISPO + C(2)*TAUXINT + C(3) + [AR(4)=C(4)] Substituted Coefficients: ===================== LOGCONSOPRIVEE = 0.5290023657*LOGREVENUDISPO 0.005387648384*TAUXINT + 11.94554666 + [AR(4)=0.7214040715] Dependent Variable: LOGCONSOPRIVEE Method: Least Squares Date: 10/30/07 Time: 08:46 Sample(adjusted): 1978 2002 Included observations: 25 after adjusting endpoints Convergence achieved after 14 iterations Variable LOGREVENUDISPO TAUXINT C AR(4)
Fvrier 2008 E-1113
Coefficient 0.529002 0.005388 11.94555 0.721404
Std. Error 0.095992 0.000979 2.385204 0.146044
t-Statistic 5.510917 5.501559 5.008187 4.939650
Prob. 0.0000 0.0000 0.0001 0.0001 234
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots
0.900621 0.886424 0.047633 0.047648 42.81150 1.982015 .92
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) .00 -.92i .00+.92i
25.22366 0.141341 -3.104920 -2.909900 63.43765 0.000000 -.92
Aprs avoir ajout AR(4), ils ont constat que le test de DW est suffisant car il est proche de 2. *Le 2me groupe a travaill sur la fonction de production de lindustrie . Pour la spcification de leur modle, ils ont choisi les variables Capital et Travail (population active de 15 64 ans) comme variables explicatives. Ils ont interprts les rsultats trouvs comme suit : Aprs avoir dtect lauto corrlation des erreurs de degr 1 et 2 laide du corrlogramme ils ont dabord limin les erreurs de spcification du modle en y incluant les termes AR(1) et AR(2), ce qui leur a permis damliorer le DW et le coefficient de dtermination ajust. La production industrielle sest retrouve fortement explique par la variable travail. Leur modle a t trop restrictif en supposant que la fonction de production industrielle dpend du facteur travail (population active totale et capital. L aussi ils se sont servi des valeurs Proxy, faute de pouvoir disposer des variables explicatives fiables. Les rsultats du test se prsentent comme suit : Le modle spcifi a mis en relation les variables suivantes : lvai lpat lkt Dependent Variable: LVAI Method: Least Squares Date: 10/31/07 Time: 09:42 Sample(adjusted): 1972 2002 Included observations: 31 after adjusting endpoints Convergence achieved after 20 iterations Variable LPAT LKT C
Fvrier 2008 E-1113
Coefficient 7.367690 0.243108 -10.88746
Std. Error 3.530862 0.047006 14.13491
t-Statistic
Prob.
2.086655 0.0469 5.171897 0.0000 -0.770253 0.4481 235
AR(1) AR(2) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots
1.353150 -0.557520 0.967684 0.962712 0.067435 0.118235 42.33348 2.162859 .68+.32i
0.166013 0.167369
8.150881 0.0000 -3.331076 0.0026 23.09761 0.349223 -2.408612 -2.177323 194.6382 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) .68 -.32i
Ils ont conclu que, aprs avoir ajout le AR(1) et AR(2), le DW est vraiment satisfaisant. *La session a t clture 13H sans que le 3me groupe qui travaillait sur la fonction dinvestissement priv puisse exposer sur son cas.
Jean-Luc Nkurikiye, MINIFIN
Fvrier 2008 E-1113
236
PROCES VERBAL DE LA SIXIEME SESSION DE FORMATION SUR EVIEW DU 02 NOVEMBRE 2007 Cette session a t marque par lintroduction de lapproche modle sous Eviews. On a : cre un petit modle (de 2 quations) rsolu le modle r estim une quation mis le modle jour aprs la r estimation de lquation Quest ce quun modle ? Un ensemble dquations qui dcrivent les relations entre un ensemble de variables Les quations peuvent tre : - des quations de comportements estimes (ce quon estime parce quon connais pas) ou - des identits comptables (ce quon ne doit pas estimer parce quil comporte pas de paramtres inconnus)
Exemple de modle : Cons = 125 + 0,65Pib + 0,32Cons (-1) Invp = 114.82 + 0.55*(Pib(-1)-Pib(-2)) + 0.18Pib 9.59R(-4) R = 0.32-8.55e-05Pib+0.008(Pib-Pib(-1))-0.02(M-M(-1)) + 0.48(R(-1) + (-2)) Pib = Cons + Invp + G Cons = consommation relle Invp = investissement priv rel G = dpenses publiques relles R = taux dintrt M = offre de monnaie
*Dans cet exemple les quations de Cons, Invp, R sont des quations de comportements (il y a qqch quon doit estimer) et le Pib est une identit comptable (il suffit dajouter les valeurs pour avoir le rsultat) A Retenir Dans un modle de Eviews, chaque quation du modle est associ une seule variable endogne, La premire variable quon rencontre dans la spcification dune quation est considre comme lendogne de cette quation, Mais dans le systme globale (du modle) une variable peut tre endogne mme si elle est exogne dans une quation spcifique.
Fvrier 2008 E-1113
237
Dans notre exemple de modle : 2 exognes : G, M 4 endognes : Cons, Invp, R, Pib A quoi sert un modle ? La principale opration quon fait sur un modle est de la rsoudre, Rsoudre un modle signifie que pour des valeurs donnes des exognes, on cherche obtenir des valeurs pour les valeurs endognes, de manire satisfaire lensemble des quations du modle, On peut ainsi simuler plusieurs scnario (diverses hypothses alternatives parlant sur la trajectoire des variables exognes).
Comment la faire sous Eviews ? On a utilis le premier Workfile quon a cre sous Eviews - On a estim lquation de lInvestissement Priv LCons=f(Pib) LInvp=f(Invg,Invp(-1)) - Pour LCons Slectionner Lconsp / Lpib open as equation Tapper AR(1) la fin de lquation - Pour LInvp Crer les Logs du InvG (publique) et Invp (priv) Slectionner LInvp / LInvg / LInvp Tapper (-1) la fin de lquation a veut dire que Invp est une fonction de Invg et le valeur historique de Invp - On les ai nomm Eq01 et Eq02 Quelles sont les variables exognes ? Pib, Invg Endognes ? Cons, Invp. Ltape suivant : il faut ouvrir les quations au niveau modle - Slectionner Eq01, Eq02 open as equation - Cliquer sur Variables, on voit que Les endognes sont en bleu Les exognes en noir - On a nomm le modle de mme faon quon a nomm les quations Model1 - On a vu que si on retourne au workfile et on r estime une des quations, il est essentiel quon met le modle jour ! Dans la fentre du modle il faut cliquer : Procs / Links / Update All Links 238
Fvrier 2008 E-1113
A Retenir : Le mise jour du modle suivant un r estimation dune ou plusieurs quations se fait jamais automatiquement, il faut le faire vous-mmes ! Si on clique : - Procs / Links / Break All Links - Cest un grand problme ! - a veut dire quon a coup tous les liens entre les quations et le modle et on ne peut plus mettre le modle jour, cest fini ! - Pour rsoudre ce problme il faut supprimer les quations sans liens et copier et coller les quations dans le modle de nouveau Quand on a ouvert les quations au niveau du modle, il faut rsoudre le modle Slectionner Solve dans le modle Quelques options de base Basic Options : - Type of simulation (type de simulation) : Deterministic (dterministique) / Stochastic (stochastique) ? - Exemple dterministique : LCons = C(1) + C(2)Pib - Exemple stochastique : LCons = C(1) + C(2)Pib + Essentiellement, cest stochastique ds quon inclu le terme derreur - Dans cet exemple prcis on a choisi dterministique - Dynamics (dynamiques) : Dynamic (dynamique) / Static (statique) ? - Cest dynamique si on utilise des donnes historiques Les modles de la Banque Mondiale, FMI etc. sont statiques (des modles doptimisation) Pas utile pour la prvision ! Les modles de prvision / simulation offre des alternatifs aux politiciens Dans cet exemple prcis on a choisi dynamique - Solution scenarios & output (les diffrents scnarios et rsultats) : Actuals / Baseline / Scenario 1 Dans cet exemple on a choisi Baseline = scnario de base (on a rien simuler) - Solution sample : Dans notre exemple prcis on a tapp 1965 2002 Quelques options pour rsoudre Solver : - Solution algorithm : Gauss-Seidel / Newton La majorit de modles utilisent Gauss-Seidel parce quils sont des modles rcursifs
Fvrier 2008 E-1113
239
Aprs avoir valid, si on retourne au workfile on voit quil y a des nouvelles variables - Lconsp_0 - Linvpr_0 Dans le modle on voulait voir un graphique de notre modle alors on a slectionn lconsp / linvpr - Clic droit : Make Graph - Cocher les options Active et Actuals - Changer la priode de 1965 2010 2002
Analyse de graphe : On a compar les valeurs actual (rel / observer) et simuler - On a vu que Lconsp tait bon, mais Linvpr ntait pas bon - Il fallait donc estimer/r spcifier lquation - Cest le commencement du procs daller-retour !
R estimation de lquation : On a retourn lquation 2 (Invpr) pour introduire une variable muette - Cette variable na pas de valeur normale (on lui donne une valeur de 1 ou 0), et cest quelque chose qui nest pas reprsent dans la comptabilit nationale - a reprsente un choc Dans notre exemple spcifi - On a donn la variable muette de 0 en dessous de 1987, et partir de 1994 - Mais de 1988 1993 on a donn la variable muette de 1 (la priode o on a vu quil y avait un choc) Pour introduire la variable muette: - slectionner Eq02 dans le workfile, cliquer sur genr, tapper : DUM=0, et vrifier que le sample est bien prciser 1965-2002 - rpter cette tape de nouveau mais cette fois taper DUM=1 et changer le sample : 1988-1993 - ouvrir Eq02, cliquer estimate, taper : DUM la fin de lquation et puis fermer. - Ouvrir le modle et le mettre jour Procs / Links / Update Cliquer Solve Le graphe tait un peu mieux
Fvrier 2008 E-1113
240
Retourne lanalyse des tests : R ntait toujours pas trs fort ce qui a suggr : - Une erreur de spcification de la forme de relation ou - Une oublie de variable explicatif pertinent - Dans notre exemple de Invpr on na pas inclus le taux dintrt !
La session suivante on va simuler les chocs (en utilisant nos variables exognes) : Scnario 1 : Y = +3% , G = +10% 2003-2010 Scnario 2 : Y = +2% , G = +3% Scnario 3 : Y = +0% Y = +2%, G = +5 % 2003-2004 2005-2010
Amy Mawson, MPDRN
Fvrier 2008 E-1113
241
PROCES VERBAL DES 7me,8me ET 9me SESSIONS DE FORMATION AU LOGICIEL EVIEWS : 5-6-7 novembre 2007 Lors de la 7me session il tait question de : 1) Terminer lexercice de la session prcdente concernant trois scnarios simuler savoir :

Scnario1 : augmentation du PIB de 3% et des dpenses publiques (G) de 10% pour la priode 2003 2010 ; Scnario2 : augmentation du PIB de 2% et des dpenses publiques (G) de 3% pour la priode 2003 2010 ; Scnario3 : maintien du PIB constant pour la priode 2003 2004, augmenter le PIB de 2% et des dpenses publiques (G) de 5% pour la priode 2003 2010.
2) Faire une tude de cas : Modle de KLEIN A partir des quations suivantes : Cons = c(1) +c(2)*P + c(3)*P(-1) + c(4)*(Wg+Wp) I = b(1) +b(2)*P + b(3)*P(-1) +b(4)*K(-1) WP =a(1) + a(2)*X + a(3)*X(-1) + a(4)*t K=K(-1)+I X= Cons s+I+G P=X-Tax-Wp Avec : - Cons=consommation priv - I= investissement priv - P= profit nets des taxes des entreprises - WP= salaire du secteur priv - Wg =salaire du secteur public - X= exportations du secteur priv - G = dpenses publiques - Tax = taxes

Estimer les quations de comportement et faire les diffrents tests Constituer un modle macroconomique : - quelles sont les variables endognes ? - quelles sont les variables exognes?
Fvrier 2008 E-1113
242
Simuler ce modle sous les hypothses suivantes jusquen : - Scnario 1 : hausse des dpenses publiques (G )de 5%, de Taxes de 1% - Scnario 2 : hausse des salaires du secteur public (Wg) de 5% Examiner limpact sur, le taux de croissance du PIB, de la consommation et le solde budgtaire.
I) Travaux ralises lors de la 7me session Exercice I Concernant cet exercice, il tait question de simuler les variables endognes partir des variables exognes Y et G. De ce point de vue, les commandes faire sont : revenir au modle (ici les donnes arrivent en 2002) complter dabord la srie jusquen 2010 : i) Simulation pour scnario 1 Cliquer sur variables-procs- vieuw- scnario-ok(il apparat le scnario1 et les variables et les quations). Dterminer les variables qui vont subir des modifications (LPIB, Invg et dum) Gnrer LPIB_1: -clic droit properties- active scnario1-use override in scnario1-yes; Gnrer LInvg_1: -clic droit properties- active scnario1-use override in scnario1-yes; Gnrer dum_1=0 (pour le reste de la priode).
Cest ce niveau que lon gnre les sries de ces dernires variables selon les hypothses du scnario considr :

Quick-gerates series-LPIB_1= LPIB_1(-1) + 0.03 ( modifier le sample :2003 2010)-ok Quick-gerates series-LInvg_1= LInvg_1 (-1) + 0.1 (modifier le sample : 2003 2010)-ok dum_1=0 pour le reste la priode
Ltape qui suit cest de rsoudre le modle : Activer (scnario1) le modle (ici il faut aussi considrer le sample 2003 2010)-ok ; Slectionner les variables endognes simules open as group- make graph-actual-ok (toujours considrer le sample de 2003 2010)- les graphiques apparaissent. 243 Fvrier 2008
E-1113
ii) Simulation du scnario 3 Nous avons saut le scnario 2 car il est presque semblable au premier. Pour ce troisime scnario, la dmarche est presque la mme sauf que lon doit dabord crer le scnario. Ds lors on fait les commandes suivante :view scnario- create New scnario- scnario3 ok. De la mme manire que pour le scnario prcdent, on gnre les variables simules suivantes : Gnrer LPIB_3: -clic droit properties- active scnario1-use override in scnario1-yes; Gnrer LInvg_3: -clic droit properties- active scnario1-use override in scnario1-yes; Gnrer dum_3=0 (pour le reste de la priode). De nouveau, on gnre les sries de ces dernires variables selon les hypothses du scnario considr : Quick-gerates series-LPIB_3= LPIB_3(-1) + 0%( modifier le sample :2005 2010)-ok; Quick-gerates series-LPIB_3= LPIB_3(-1) + 0.02( modifier le sample :2005 2010)-ok; Quick-gerates series-LInvg_3= LInvg_3 (-1) + 0.05 (modifier le sample : 2003 2010)-ok; dum_3=0 pour le reste la priode. Aprs cette tape consiste rsoudre le modle. A cet effet, les commandes faire sont : Solve-activer le scnario3-ok ; Slectionner les variables simules-open as group- actual (sample20032010)-ok. Ainsi, les graphiques des variables simules apparaissent. Remarque : Aprs cette tape le consultant Edouard a fait comprendre aux participants l quil reste presquune dizaine de jours et quil est important de: pouvoir diffrencier les quations de comportement des identits comptables ; Construire une banque de donnes utiliser dans le modle INPLABURA (saisie dans EXCEL et les exporter vers EVIEWS). Ici cest le rle des agents du Ministre du plan.
Fvrier 2008 E-1113
244
Le consultant a prcis que si les donnes ne sont pas disponibles, lquipe pourra utiliser les donnes de la BAD dont dispose le formateur en ce sens que limportant pour lINPLABURA cest la programmation et la rsolution. De plus, il a indiqu quil faudrait que le modle INPLABURA commence tre tourn avant le 11 novembre. Exercice II : Modle de KLEIN Pour cet exercice, on a fait : 1) lestimation d de toutes les quations de comportement et certains tests Avant de faire certains tests, on a dabord interprt les coefficients de dtermination, la statistique de Fisher pour la significativit globale et la statistique de Student pour la significativit individuelle. Les tests faits portent sur : i) lauto corrlation des erreurs : ici on a considr le test DW, le colloregram et le test de BreuschGodfrey. Les rsultats de ces tests montrent quil y a absence dautocorrelation des erreurs. ii) lhommoscdasticit des erreurs : on a fait le test de WHITE et les rsultats montrent que lhomoscdasticit. Autrement dit les erreurs ont la mme variance. iii) la spcification du modle : on a fait le test de Ramsey et les rsultats indiquent quil n y a pas de variable pertinente omise iv) la stabilit : les tests de CUSUM indiquent le modle est stable. Autrement dit , il ny a pas danne de cassure. N.B. : Pour la variable temps nous avons mis la variable @trend dans lestimation. 2) la constitution du modle macroconomique A ce niveau, la commande faire est la suivante : Slectionner les trois quations- cliquer bouton droit- open as modle, les quations de comportement apparaissent : Cons=F(P, W) I=(K, P) Wp=(X) Puisqu ce niveau, il manqu les identits comptables, on fait la commande suivante: cliquer sur le bouton droit sur le modle-insert- taper les identits : X=Cons+I+G P=X-Tax-Wp 245
Fvrier 2008 E-1113
Aprs cette tape, le modle est bien spcifi de la faon suivante : Cons=F(P, W) I=(K, P) Wp=(X) K=K(-1)+I X=Cons+I+G P=X-tax-Wp De par ce modle, il sagit dun systme quation simultanes avec : comme variables endognes au modle Cons, I, Wp, X, K et P comme variables exognes au modle G, Wg et Tax.
Questions poses lors de la 7me session : 1) Expliquer la notion ditration dans la rsolution dun modle macroconomique: Ici le formateur a donn des exemples et a prcis que la machine arrte les itration lorsque lcart entre la valeur relle et la valeur estime est devient trs minime. 2) Les types de simulations : le consultant a indiqu quil y la simulation statique et la simulation dynamique. Et pour cette dernire il faut distinguer la simulation stochastique et la simulation dterministe 3) Faut-il une variable qui nest pas dans le modle : cette question a t pose car certains avaient gnr une variable pour W=Wg+Wp. A ce niveau le consultant a expliqu le problme de suridentification et de sous-identification dun modle. Pour le cas despce il serait problme de suridentification . II)Travaux raliss lors de la 8me session Lors de la 8me session, les participants la formation ont t rpartis en groupes pour reprendre lexercice sur le Modle de KLEIN fait pendant la prcdente session dans la mesure o la comprhension de cet exercice leur permettra de bien tourner le modle INPLABURA ; ont indiqu le formateur et le consultant. Il a t question de faire des simulations des diffrents scnarios et calculer les taux de croissance du PIB, de la consommation ainsi que le solde budgtaire. Scnario I : Augmentation des salaires du secteur public de 1milliard en 1942 On cre dabord le scnario1 en maintenant constantes les autres variables exognes (G et Tax). A ce niveau la commande faire est la suivante : Quick- Gerate series : Wg_1= Wg_1(-1)+1 (on considre le sample de 1942 1945)
Fvrier 2008 E-1113
246
Comme la hausse a t ponctuelle (en 1942), on considre que le montant de ces dpenses reste le mme pour toute la priode ; ds lors on gnre les valeurs comme suit : Wg_1= Wg_1(-1) (pour la priode 1943 1945) De mme on gnre les valeurs des autres variables exognes premier scnario : G_1=G_1(-1) (pour le sample de 1942 1945) Tax_1= Tax_1(-1) (pour le sample de 1942 1945) pour ce
Aprs avoir gnr ces variables pour le scenario1, on doit dabord rsoudre le modle pour voir sil a une solution centrale de base. Autrement dit voir sil converge. La commande faire est la suivante : Solve (pour le sample 1942 1945)- ok : Aprs avoir rsolu le modle, on calcule les taux de croissance de : le taux de croissance du PIB : TauxPIB_1=(X_1-X_1(-1))/X_1*100, la consommation : Tauxcons_1= (cons_1-cons_1(-1))/cons_1(-1)*100, le solde budgtaire par rapport PIB : Soldbudg_1=(Tax_1-G_1Wg_1)/X_1*100.
Les rsultats trouvs pour ce scnario sont prsents dans le tableau suivant : 1942 17.64 TauxPIB_1 Tauxcons_1 16.06 -11.26 TauxPIB_1 1943 8.35 7.53 -10.2 1944 -0.4 0.88 -10.4 1945 -6.14 -3.71 -11.1
Scnario II : Les dpenses gouvernementales non salariales augmentent de 1milliard en 1942 La dmarche est la mme que pour le cas prcdent. On commence par crer le scnario2 et on gnre les variables exognes pour ledit scnario. Les commandes sont les suivantes :

G_2=G_2 (-1)+2 (pour le sample de 1942 1945) G_2=G_2 (-1) (pour le sample de 1943 1945) Wg_2= Wg_2(-1) (pour le sample de 1942 1945) Tax_2= Tax_2(-1) (pour le sample de 1942 1945)
Fvrier 2008 E-1113
247
Ltape qui suit consiste rsoudre le modle pour voir sil y a convergence, ensuite calculer les diffrents taux de croissance : le taux de croissance du PIB : TauxPIB_2=(X_2-X_2(-1))/X_2*100 la consommation : Tauxcons_2= (cons_2-cons_2(-1))/cons_2(-1)*100 le solde budgtaire par rapport PIB : Soldbudg_2=(Tax_2-G_2Wg_2)/X_2*100 Les rsultats trouvs pour ce scnario sont prsents dans le tableau suivant : 1942 18.5 15.4 -11.2 1943 8.9 8.1 -10 1944 -0.2 1.2 -10.3 1945 -6.2 -3.3 -10.9
TauxPIB_2 Tauxcons_2 TauxPIB_2
Scnario III : Baisse des taxes de 2milliards en 1942 De la mme manire, lon cre le nouveau scnario et lon gnre les variables exognes : Tax_3= Tax_3(-1)-2 (pour le sample de 1942 1945) Tax_3= Tax_3(-1) (pour le sample de 1943 1945) G_3=G_3(-1) (pour le sample de 1942 1945) Wg_3= Wg_3(-1) (pour le sample de 1942 1945) Les rsultats trouvs pour ce scnario sont prsents dans le tableau suivant : 1942 1943 1944 1945 19.9 12.3 1.5 -5.2 TauxPIB_3 16.8 10.5 2.7 -3.2 Tauxcons_3 -11.9 -10.6 -10.5 -11.2 TauxPIB_3 Scnario IV : Hausse de la masse salariale et des taxes de 1 milliard sur les 4 annes Pour faire la simulation les tapes sont les mmes que pour les scnarios prcdents. On cre dabord le scnario et on gnre les variables exognes comme suit:

Wg_4= Wg_4(-1)+1 (pour le sample de 1942 1945) Tax_4= Tax_4(-1)+1(pour le sample de 1942 1945) G_4=G_4(-1) (pour le sample de 1942 1945)
Fvrier 2008 E-1113
248
Les rsultats trouvs pour ce scnario sont prsents dans le tableau suivant : 1942 12.9 TauxPIB_4 Tauxcons_4 14.2 -16 TauxPIB_4 1943 5.2 5.2 -10 1944 -1.9 -0.4 -10 1945 -6.0 -3.1 -14
N.B : A partir de ce tableau il revient aux conomistes de faire une interprtation macroconomique afin de pouvoir indiquer aux dcideurs de politique conomique les effets qui peuvent tre dgags par les diffrents dune part, le meilleur scnario dautre part.
Salomon Nsabimana, Universit du Grand Lac Didier Astyanax NTIRORANYA, MPDRN
Fvrier 2008 E-1113
249
LE PROCES VERBAL DE LA DIXIEME SESSION DE FORMATION E-views du 8 novembre 2007 Cette session a t caractrise par deux points savoir : I. Interprtation des rsultats issus des diffrents scnarios Concernant ce point, il a t signal que les scnarios doivent toujours se rfrer la solution de base (baseline solution) pour pouvoir comparer les rsultats obtenus dans les diffrents scnarios celui du scnario de base. Q1 : Quelle est la diffrence entre le scnario 1 et le scnario 2. La rponse a t que chaque scnario a une politique macroconomique diffrente de celle de lautre. Chacun deux a un message donner au niveau de lconomie et du social mais leur objectif est datteindre une meilleure croissance conomique. Q2 : Que-ce qui est viser par une augmentation des salaires publics ? La hausse des salaires entrane laugmentation de la consommation prive mais ne contribue pas la formation brute du capital fixe (FBCF). Scnario 1 : Hausse de la masse salariale de 1 milliard Les rsultats de ce scnario sont :
1942 Tauxpib 17,69 Tauxcons 16,06 Solde budg -11,2 1943 8,35 7,54 -10,3 1944 -0,4 0,98 -10,4 1945 -6,13 3,71 -11,1
De part ces rsultats, nous constatons que la hausse de la masse salariale (wg) a un effet positif sur la consommation et sur la production mais cet effet ne concerne que les deux premires annes. A partir de la 3me anne, leffet va en diminuant et arrive mme dans les ngatifs (rcession). Par exemple en1943, la hausse des salaires dun milliard a occasionn une augmentation du taux de consommation denviron 1%, ce qui est faible pour doper la production. Q3 : Est-ce quune politique de relance du taux de croissance par laugmentation des salaires publics est bonne ? Comme rponse, toute politique qui ne vise pas laccroissement de la consommation est intenable.
Fvrier 2008 E-1113
250
Le deuxime message qui sort des ces rsultats est que le solde budgtaire est dficitaire durant toute la priode de projection et le dficit sera 2 chiffres et plus ou moins stable entre 10 et 11 %. Q4 : Comment financer alors ce dficit ? Pour financer le dficit, il ne faut pas faire la cration de la monnaie du fait quelle entrane linflation. Egalement pas dmission des bons de trsor et dobligation car le march nest trs dvelopp. Donc il faudra recourir lemprunt extrieur ( surtout concessionnel) tout en gardant lesprit le rgime du taux de change (flottant pour le Burundi), leffet sur la balance des paiements, et la priode de remboursement. Q5 : Pourquoi linflation est considre comme un impt ? Linflation provoque la rduction du pouvoir dachat des mnages. Dans ce cas, linflation peut tre assimile limpt car a produit les mmes effets ngatifs sur la consommation prive. Au cas o le dficit est financ par la Pression fiscale, il faut tenir compte de trois choses : Assiette fiscale Taux dimposition Ladministration charge de la collecte des impts Il a t signal quil y a possibilit dmettre des bons de trsors (papiers mis par la Banque Centrale aux agents conomiques pour achat un taux ngoci), si on veut financer le dficit. Q6 : Que-ce qui motive les agents conomiques lachat des bons de trsors ? Ils sont motivs par trois choses savoir : Taux dintrt La confiance La projection dune image des perspectives beaucoup plus meilleurs lendroit du public
Scnario 2 : Dpenses publiques non salariale (+1milliard) G est compos de : achat des biens et services Paiement des intrts et du principal Transferts publics Subventions
Fvrier 2008 E-1113
251
Les rsultats de ce scnario sont les suivants :

1942 18,5 15,4 -11,17 1943 8,86 8,06 -10,25 1944 -0,19 1,19 -10,27 1945 -6,15 -3,74 -10,95
Tauxpib Tauxcons Solde budg.
Les informations quon tire de ces rsultats sont semblables celles du scnario 1. C'est--dire que le taux de croissance du PIB va en dcroissant durant toute la priode de projection et arrive mme dans les ngatifs comme dans le scnario 1. Les chocs bnfiques sont de court terme et ne concernent que la premire anne uniquement. Q7 : Quel type de politique budgtaire adopt ? Est-est la politique budgtaire neutre (na aucun impact) ? Est-ce la politique budgtaire expansionniste (augmentation des dpenses publiques) ? Est-ce la politique budgtaire restrictive (diminution des dpenses publiques) ? La rponse a t que la politique budgtaire adopt est expansionniste. Q8 : Est-ce que la politique budgtaire expansionniste peut aboutir un effet dviction ? OUI, car il y aura une comptition des ressources limits entre le secteur public et le secteur priv. On conclut donc pour les deux scnarios que les deux politiques aboutissent aux mmes effets. C'est--dire que laugmentation de G par laccroissement des salaires ou laugmentation des dpenses publiques non salariales G dans les mmes proportions produit les mmes effets. Les dficits budgtaires voluent de la mme faon dans ces scnarios. Scnario 3 : Rduction des impts de 2 milliards La diminution des taxes vise laugmentation des investissements. Ce qui implique un accroissement du revenu disponible des mnages. Le surplus sera allou lpargne et la consommation.
1942 19,97 16,78 -11,97 1943 12,3 10,51 -10,66 1944 1,49 2,73 -10,51 1945 -6,16 -3,54 -11,19
Tauxpib Tauxcons Solde budg.
En analysant les rsultats, on constate que pour les 3 premires annes, le taux de croissance est meilleur par rapport ceux des scnarios prcdents.
Fvrier 2008 E-1113
252
La baisse des impts a entran laugmentation du revenu disponible des mnages qui a t absorb en grande partie par la consommation. Les dficits budgtaires sont presque les mmes dans les trois scnarios. N.B : Lidal serait que le dficit budgtaire ne dpasse pas 3% du PIB. Scnario 4 : Accroissement de wg (1 milliards) et de taxes (+1milliards)
1942 Tauxpib 14,9 Tauxcons 12,2 Solde budg -10,5 1943 5,22 5,2 -10,01 1944 -1,89 -0,4 -10,2 1945 -6,07 -3,1 -10,9
Laccroissement de Wg a t absorb par la hausse des taxes. Donc aucun effet sur le revenu disponible ne sera produit. Cette politique alternative sera neutre par rapport aux autres politiques car les effets de ces deux instruments sannulent. II. Rsolution du modle pour lequel on se fixe un objectif atteindre On se donne un objectif datteindre un taux de croissance de 10% sur les quatre annes venir. Comme dans le prcdent exercice, on agit sur les variables exognes : G, Wg, Tax. Dabord, on a gnr la variable objective : Xobj =Xobj(-1)*1,1 et on fait les diffrents scnarios en agissant sur les exognes. Scnario 5 : Wg est la variable daction Autrement dit, dans quelle proportion le salaire augmentera pour avoir un taux de croissance de 10%, les autres variables exognes (G,tax) restant inchanges sur la priode de projection). On va dans modle- proc- solve control for target- ok , puis on rsoud le modle et les rsultats sont automatiques.
1942 TauxWg -15,7 Tauxcons 8,92 Solde budg -9,6 1943 31,79 9,8 -10,9 1944 28,1 9,97 -12,2 1945 25 10,13 -13,5
Fvrier 2008 E-1113
253
Les rsultats montrent que pour la premire anne, le taux de croissance de 10% ncessite une diminution de la masse salariale. Par contre, durant les 3 dernires annes, cet objectif exige une augmentation norme de la masse salariale Wg. Ce qui entrane une augmentation de la consommation. Par contre, le solde budgtaire est dficitaire et va en augmentant sur la priode de projection. Scnario 6 : G est la variable daction Lobjectif reste le mme et on procde de la mme faon que dans le scnario 5.
1942 TauxG -7,6 Tauxcons 10,4 Solde budg -9,1 1943 14,2 7,3 -10,7 1944 14,6 7,5 -11,5 1945 12,9 7,6 -12,4
Les rsultats prouvent que pour la premire anne, le taux de consommation est suprieur celui du scnario 5. Par contre, durant les 3 dernires annes, les taux de consommation sont infrieurs ceux du prcdent scnario. En terme de proportion, les scnario 5 et 6 ont le mme effet au niveau des soldes. Pour le scnario 6, cest une politique neutre du fait que le taux de consommation reste stable durant les 3 dernires annes. Scnario 7 : Taxe est la variable daction
1942 13,6 10 -9,4 1943 -27,04 8,6 -11,9 1944 -10,4 8,1 -11,6 1945 -39,7 8,4 13,2
Taux tax Taux cons Solde budg
Latteint de lobjectif ncessite une baisse norme des taxes. Ce qui engendre une augmentation du dficit budgtaire et na un effet limit sur le taux de consommation car il sest stabilis pendant les trois dernires annes de projection. Dans ces trois scnario, les effets sont presque les mmes car le solde budgtaire reste dficitaire et deux chiffres.
Fvrier 2008 E-1113
254
Q9 : Parmi ces trois politiques (scnarios) laquelle choisir ? La meilleure politique est celle qui a un dficit budgtaire minime comparativement aux autres et qui exige un endettement grable (moindre) tout en acceptant que lpargne intrieure nest pas mesure de financer le dficit.
Germaine Nsengiyumva, MPDRN
Fvrier 2008 E-1113
255
PROCES VERBAL DES 11me et 12me SESSIONS DE FORMATION E-VIEWS 9-12 novembre 2007 La 11me session a fait lobjet de deux points essentiels savoir : La constitution des groupes La saisie des donnes I. La constitution des quipes
La constitution des membres de lquipe dans les diffrents groupes sest faite de la faon suivante : GROUPE I : SECTEUR REEL 1. Rmy KEZA 2. Rose RYANYENINKA 3. Amy MAWSON 4. Gratien NINTERETSE 5. Jeanine NKUNZIMANA : Chef de groupe : Membre : Membre : Membre : Membre
GROUPE II : FINANCES PUBLIQUES 6. Trence NTABANGANA 7. Jean-Luc NKURIKIYE 8. Bernard BARAZI 9. Jean-Marie BAZOMBANZA : Chef de groupe : Point focal : Point focal : Membre
GROUPE III : BALANCE DES PAIEMENTS ET GESTION DE LA DETTE EXTERIEURE 10. Germaine NSENGIYUMVA 11. Mathias NGENDAKURIYO 12. Jean-Michel NKENGURUTSE 13. Elisabeth KENNEDY : Chef de groupe : Point focal : Membre : Membre
GROUPE IV : SITUATION MONETAIRE 14. Balthazar FENGURE 15. Flix NIYONZIMA 16. Salomon NSABIMANA : Chef de groupe : Point focal : Membre
Fvrier 2008 E-1113
256
GROUPE V : SECTEUR SOCIAL 17. Prosper NIYONGABO : Chef de groupe 18. Isidore SINDAYIKENGERA : Membre 19. Didier Astyanax NTIRORANYA : Membre 20. Sps NAHAYO : Membre Le module Gestion de la Dette Extrieure a t transfr du secteur des Finances Publiques au secteur de la Balance des Paiements. II La saisie des donnes
Aprs la constitution des groupes, on a procd la saisie des donnes dans chaque groupe pour alimenter la base des donnes centrale qui nous permettra de tourner le modle. Il a t indiqu que lINPLABURA tournera avec les donns disponibles en attendant celles de lISTEEBU pour les mettre jour. Ainsi, des prcisions ont t donnes chaque groupe pour le bon droulement de la saisie. Avec lintroduction du secteur social, lINPLABURA comportera 9 modules. GROUPE I : Secteur rel Ce groupe porte une trs grande responsabilit dans la russite du modle avec 103 variables soit plus de la moiti et 4 modules savoir : Ressources avec 45 variables endognes collecter plus les variables exognes Emploi Prix relatifs March du travail Au niveau du secteur rel, on retiendra 1996 comme anne de base et si lISTEEBU amne celle de 2005, on modifiera la base. Il a aussi t recommand de consulter les donnes en termes rels et nominaux puisque tous les groupes en auront besoin. Pour le module sur les prix relatifs, il faut calculer les dflateurs implicites secteur par secteur cd calculer le rapport entre variable nominale et variable relle. Ces prix relatifs seront transfrs vers les autres secteurs. Il faut aussi souligner que certaines variables sont gnrer. Par exemple, tout ce qui est investissement cumulatif est gnrer.
Fvrier 2008 E-1113
257
GROUPE II : Finances publiques Pour ce groupe, il ny a que deux fonctions de comportement le reste tant des identits comptables. Les lasticits de chaque variable endogne seront calcules par rapport au PIB. Toutes les quations sont spcifies. GROUPE III : Balance des paiements et Gestion de la dette extrieure Quant ce groupe, les donnes sont disponibles mais le calcul des prix relatifs et des lasticits des certaines variables comme les exportations par rapport au PIB simpose. A ce niveau, on calculera lindice des prix lexportation, limportation, le taux de change rel et le taux de change effectif. Cest aussi au niveau de ce groupe quon intgrera le module Gestion de la dette extrieure. GROUPE IV : Situation montaire Comme pour le groupe prcdent, aprs la saisie des donnes, on calculera les lasticits et on loguera les variables indpendantes. GROUPE V : Secteur social Le secteur social qui constitue le 9me module a t impos sur ordre du Ministre de la Planification du Dveloppement et de la Reconstruction Nationale qui a beaucoup insist tant donn que, sur les 8 objectifs du Millnaire pour le Dveloppement, 5 sont dordre social. La 12me session sinscrit dans la continuit de la prcdente. Ici, il a t soulign que pour bien tourner le modle on doit respecter diffrentes tapes : Saisie Transfert des donnes Rgression individuelle des fonctions de comportement et tablissement des tests faire Rsolution globale du modle Sil y a convergence du modle, on procdera llaboration des scnarios Transfert des rsultats des simulations vers Excel Analyse des rsultats Comme la session prcdente, des instructions ont t donnes pour la bonne saisie aprs la prsentation des tats des lieux de la saisie des donnes prsents par chaque groupe.
Fvrier 2008 E-1113
258
Au niveau du secteur rel Il a t rappel que les dflateurs implicites individuels sont calculs et partant les prix relatifs qui aident dans lanalyse des politiques macroconomiques adopter. Par exemple, pour dvaluer la monnaie, ce sont les prix relatifs qui sont analyss. Il faut aussi :
Calculer le ICOR (Incremental Capital-Output Ratio, en franais la Variation Infinitsimale du Rapport Capital-Produit) qui est linverse du coefficient de la rgression de linvestissement cumulatif, donne lide sur lefficacit des investissements. Par exemple, on pourrait calculer quel sera limpact dun apport d1FBu sur la croissance Calculer les propensions marginales du secteur rel : - la consommation - linvestissement - limportation Calculer le dflateur de lemploi des ressources
Au niveau de la balance des paiements Il faut : Rsoudre le problme de conciliation avec le secteur rel avec lequel il partage 2 comptes qui doivent squilibrer. I-S lemploi des ressources au secteur rel et X-M la balance des paiements. Construire une srie des indices des prix : - lexportation - limportation Calculer le taux de change qui est le seul prix relatif qui joue en mme temps sur loffre et sur la demande de lemploi des ressources. On aura aussi besoin de calculer les ressources en valeur. On cherchera 3 types de taux de change savoir : - nominal - rel - effectif Dflater les importations et les exportations quon comparera avec les comptes nationaux. Rsoudre le problme des tarifs ad valorem, calculer en terme nominal et rel, voir comment ses droits de douanes sont compils. Ici, on pourrait voir par exemple leffet de ladhsion du Burundi la EAC
Fvrier 2008 E-1113
259
Calculer louverture au commerce extrieur Cest aussi ce niveau quil a t soulign que le prix le plus important est celui du ptrole. Ce produit connat 3 prix mais on prendra celui bas sur Londres.
Au niveau des Finances Publiques Il faut vrifier dans le module que toutes les quations sont tablies, quels sont les impts qui nexistent pas et calculer les lasticits de chaque variable dpendante par rapport au PIB. Au niveau de la Situation Montaire Cest surtout les taux dintrt qui posent problme et il a t signal que la srie commence en 1985. A la fin, il a t indiqu que la plupart des donnes tant disponibles, il est temps de commencer tourner le modle en commenant par les rgressions, linsertion des identits comptables et la rsolution globale du modle. Il faut aussi souligner que pour les quations individuelles tous les tests seront faits.
Jean-Michel NKENGURUTSE, MPDRN
Fvrier 2008 E-1113
260
PROCES VERBAL DE LA 13me SESSION DE FORMATION SUR E-VIEWS, DU MARDI 13 NOVEMBRE 2007 Ladite session a t principalement marque par la prsentation : 1. 2. 3. des tats des lieux des diffrents groupes ; des problmes rencontres au cours de la saisie des donnes ; des rsolutions ou des solutions possibles
GROUPE 1 : SECTEUR REEL Pour le premier groupe, les donnes disponibles pour la constitution de la base des donnes sous format EXCELL sont : 1. -linvestissement cumulatif ou le capital -la fonction de production ou le travail -le PIB par secteur
Les donnes non-disponibles : 2. -Les salaires par secteur -leffectif des travailleurs par secteur -difficults de rpartition de la masse salariale entre - *le secteur priv - *le secteur public
Le manque de donnes rentre dans le cadre des problmes rencontrs 3. Solutions possibles
Si les donnes savrent absentes ou insuffisantes, on repartit la donne globale, selon les pondrations attribues chaque secteur. On recommande galement de ventiler les salaires en faisant recours au Professeur Yaya en cas de difficults. Ce travail est ncessaire pour la consolidation de la base centrale de donnes, dans le format EXCEL avant de commencer la rgression. Apres quoi, on pourra effectuer le transfert EVIEWS. Pour ce groupe, les donnes disponibles stendent sur la priode de 19802004.
Fvrier 2008 E-1113
261
GROUPE 2 : FINANCES PUBLIQUES 1. Les donnes disponibles : -les donnes en recettes ; -les prts nets ; -gap de financement de lEtat.
Les donnes non disponibles : -dpenses en capital ; -dpense hors budget. On note que mme les donnes disponibles ne couvrent pas toute la priode, cest- -dire de 1980 2004, mais plutt a commence en 1996. 3. Les solutions possibles : -recourir aux donnes qui se retrouvent dans les autres secteurs ; -faire appel au Professeur Yaya pour quil montre a ce groupe comment on peut faire le cuisinage.
2.
NB : Les donnes sur la dette publique ont t intgres dans le secteur de la situation montaire. GROUPE 3 : BALANCE DES PAIEMENTS 1. Les donnes disponibles -les importations ; -les exportations ; -les services non facteurs. Les donnes non disponibles : -pargne du secteur priv ; -financement du secteur priv ; -le remboursement de la dette publique ; -les arrirs. Les solutions possibles
2.
3.
On recommande de consulter le secteur rel parce quils ont des variables communes en ce qui concerne les donnes qui proviennent de la balance des paiements ou de la comptabilit nationale. Il a t recommand galement de procder la RECONCILIATION dans la mesure o il y a des variables qui se trouvent dans les deux secteurs a savoir le secteur rel et la balance des paiements. Ici on a pris lexemple dun Burundais qui va importer une voiture pour un montant de 100$USD, ce montant est enregistr par la comptabilit nationale alors que les 50$USD par exemple qui constituent les droits des douanes sont enregistrs dans la balance des paiements. 262 Fvrier 2008
E-1113
Il sest pos galement un problme sur les importations et exportations par rapport aux valeurs FOB et CIF. Ici daprs les explications fournies par Monsieur Mathias de la Banque Centrale : pour les transactions effectues entre un rsident et un non rsident, par exemple un Burundais qui achte toujours une voiture pour 100$USD, la valeur FOB sera le prix de la marchandise paye au fournisseur, tandis que la valeur CIF concerne la valeur FOB+Assurance+les services non facteurs. GROUPE 4 : SITUATION MONETAIRE 1. Les donnes disponibles : -la majeure partie ou presque la totalit. 2. Les donnes non disponibles : -PIB nominal ; on a signal quil faut absolument cette soit donne en valeur nominale parce que la masse montaire est exprime en valeur nominale 3. Solutions envisageables : Il faut recourir la conclusion dautres groupes des secteurs pouvant fournir lune ou lautre donne qui peut dbloquer la situation. Faut-il galement recourir au Professeur Yaya pour un ventuel cuisinage. GROUPE 5 : SECTEUR SOCIAL 1. Les donnes disponibles : taux durbanisation PIB par tte taux de scolarisation taux de croissance taux de mortalit 2. Les donnes non disponibles : dpenses en secteur de sant dpenses en secteur dducation 3. Solutions envisageables : on a recommand que le groupe contacte le secteur rel parce quil y a un membre du budget qui a promis de fournir les dpenses des secteurs de la sant et de lducation ; si les donnes ne sont disponibles qua partir de lanne 1990 par exemple, il faut analyser la tendance de la srie, voir si la tendance est plus ou moins linaire ; si elle est linaire, on peut aisment simuler la variable sur la priode dont on ne dispose pas des donnes ; 263
Fvrier 2008 E-1113
si ce nest pas le cas, par exemple, les donnes pour les dpenses publiques du secteur de sant noffrent pas la tendance linaire on pourra consulter le groupe des Finances Publiques qui va fournir les dpenses publiques totales, alors on va voir si la tendance de proportion alloue et tirer une conclusion approprie.
Aprs tous ces commentaires les diffrents groupes ont continue le travail de finissage de la constitution de leur base de donnes afin de passer au stade de consolidation des donnes sous format EXCEL.
Bernard Barazi, MINFIN
Fvrier 2008 E-1113
264
PROCES VERBAL DE LA 14me SESSION DE FORMATION SUR EVIEWS, DU MERCREDI 14 NOVEMBRE 2007
I. Introduction Avant dentrer dans la formation proprement dite de la journe, on a pass en revue le rle des prix dans le comportement de certaines variables conomiques. Ainsi, il a t not que le prix du ptrole, les dflateurs des diffrents prix, le mouvement et lvolution du taux de change doivent tre intgrer dans le calcul de plusieurs variables car ils interviennent dans plusieurs secteurs conomiques. A titre dexemples, le prix du ptrole intervient dans les secteurs de transport et lindustrie, le taux de change influe sur les changes commerciaux surtout extrieurs tandis que les dflateurs sont utiliss dans le calcul des variables relatives au secteur rel. Aussi, le rle du commerce de transit a retenu notre attention, car ce commerce englobe les frais demmagasinage, de transport et de transit qui influent sur le niveau des rserves en devises. II Droulement de la formation de la 14me session Cette session a t marque par trois points, savoir : Notion de consistance dun modle ; Calcul des lasticits des variables dpendantes par rapport aux Produits Intrieurs Bruts exprims aux cots des facteurs ou prix du march (aux prix courants); Poursuite de la constitution de base de donnes. Notion de consistance dun modle Pour que le modle puisse bien tourner, il faut quil comprenne des quations qui aident clturer chaque module et/ou tablissent des liens avec les autres modules. Ainsi, pour chaque module, une quation de bouclage a t identifie, savoir : Pour le module I : Production des biens des services, on a lquation : PIB_F = PIB_PRIM + PIB_SECO + PIB_TERT O : PIB_F: PIB aux cots des facteurs PIB_PRIM: Production du secteur primaire en volume PIB_SECO: Production du secteur secondaire en volume PIB_TERT: Production du secteur tertiaire en volume
Fvrier 2008 E-1113
265
Pour le module II: Demande finale des biens et services, on a lquation : I_VARSTAK = PIB_M - (C + I_FBCFPU + I_FBCFPR + X - M) O I_VARSTAK: Variation de stock au prix constant PIB_M : PIB au prix du march C : Consommation totale au prix constant _FBCFPU : Formation brute de capital fixe publique au prix constant I_FBCFPR : Formation brute de capital fixe priv au prix constant X : Exportations des biens et services aux prix constant M : Importations des biens et services aux prix constant
Pour le module III: Prix relatifs, Dflateurs implicites et indices des diffrents prix, on a lquation : IP_PIB_M = (IN_TX_USD, M2, WN, IP_X, IP_M) O : IP_PIB_M : Dflateur implicite du PIB total au prix du march IN_TX_USD : Taux de change moyen FBU/USD M2: Offre de monnaie WN : Salaires nominaux IP_X: Indice des prix lexportation IP_M : Indice des prix limportation Pour le module IV: March du travail, Emploi, chmage et pauvret, on a lquation : LDT = L_AGRIVIV + L_CAFE + L_COTON + L_THE + L_AGRIXA + L_ELEV + L_SYL + L_PECHE + L_INDAGR + L_INDALIM + L_INDTEXT + L_INDARTIS + L_ENEMIN + L_BATTIP + L_COMM + L_SVAUT + L_TRANS + L_SERNM O LDT : Demande totale de travail = Somme des quantits de travail sectorielles. Pour le module V: Finances publiques, on a lquation : GAPFILP = FINDEF FINX_BC - FINI_BC O : GAPFILP : Gap de financement de lEtat FINDEF : Financement du dficit fiscal base caisse FINX_BC : Financement extrieur net FINI_BC : Financement intrieur net. Pour le module VI: Situation montaire, on a lquation : CRNADM = TOTSM AVEXTN CRNPRIVE o : CRNADM : Crances nettes sur lEtat
Fvrier 2008 E-1113
266
TOTSM : Total des passif de la situation montaire AVEXTN : Avoirs extrieurs nets CRNPRIVE: Crdit net lconomie.
Pour le module VII: Balance des paiements, on a lquation : GAPFIL = BDP_FIN - VAREST - TOTRAV O : GAPFIL : Gap de financement extrieur BDP_FIN: Besoin de financement VAREST : Variation nette en devises TOTRAV: Variation des arrirs extrieurs. Il a t noter toutes fins utiles que les sources de financement du gap de financement extrieur sont : Epargne extrieure Avantages financiers acquis dans le cadre de lInitiative PPTE Aide publique au dveloppement Investissements directs trangers. Calcul des lasticits des variables dpendantes par rapport aux PIB Etant donn que la plupart des variables sont estimes selon lapproche des lasticits, tous les groupes, lexception du groupe charg du Secteur rel, ont commenc calculer les lasticits des variables dpendantes par rapport aux PIB aux prix courants. Pour pouvoir effectuer cette opration, sous le logiciel Excel, on a utilis lapproche des variations relatives : ElastX/Y = (X/X)/(Y/Y) = (X*Y)/(X*Y) Tandis que, sous le logiciel, on a employ lapproche des logarithmes : Log (X) = f Log(Y) Poursuite de la constitution de base de donnes Les membres de lquipe charge de la collecte de donnes sur le secteur rel ont continu la saisie des donnes puisquils accusaient un retard dans la constitution de leur base de donnes. Avant de se sparer, les participants et les formateurs se sont donns rendezvous le lendemain, au mme endroit et la mme heure, pour la poursuite de la formation. Rapporteur : Terence Ntabangana, MPDRN
Fvrier 2008 E-1113
267
Procs verbal de la quinzime session de formation sur Eviews du jeudi 15 novembre 2007
Cette session a t caractrise par la continuation de la saisie des donnes sous format Excel. Lobjectif du jour tait de finaliser la saisie des donnes parcellaires pour les intgrer dans la base centrale afin de les importer vers Eviews. Il est signaler que les diffrents secteurs ont presque finalis leur saisie sauf le secteur rel. En saisissant les donnes, il y a quatre choses vrifier pour assurer la consistance du modle. Il faut assurer lquilibre macro comptable tel que postul par la comptabilit nationale. Pour ce faire, il faudra vrifier lquilibre des identits comptables de chaque module. Dans ces quations, les variables de gauche sont gnrer, il faut seulement disponibiliser les variables de droite. Par exemple dans lquation GAPFIL= BDP_FIN-VAREST-TOTRAV, la variable GAPFIL est gnrer, les autres variables sont chercher. Si les quilibres des diffrentes identits ne sont respects, le modle ne va pas converger. Il faut avoir les notions claires sur les concepts des agrgats macro conomiques. Ex : que signifie les avoirs extrieurs et quels sont les lments constitutifs de cet agrgat. En tant que modlisateur, il faut connatre le concept de chaque variable utilis dans le modle pour bien dialoguer avec les fournisseurs des donnes. Les avoirs ext. sont des variables de stock et du point de vue de la balance de paiement, il existe deux types davoir ext: avoirs ext. bruts et avoirs ext. nets. Il faut garder lesprit que dans INPLABURA, on traite avec les avoirs ext. bruts. Et pour le cas du Burundi, il faut savoir que tant que la balance des capitaux nest pas libralise, il ne faut pas esprer avoir des avoirs ext. nets en faveur de ltranger. Le franc burundais nest pas totalement convertible car cest seulement la balance des oprations courantes qui a t libralise.
Fvrier 2008 E-1113
268
Il faut anticiper les conflits potentiels pouvant exister entre les diffrents agrgats. Souvent il est observ une incohrence dans les donnes produites suite la diversit des sources de donnes et la duplication. Ceci ncessite imprativement la rconciliation au niveau du concept, de la collecte et de la production des donnes. Du cot de la BDP et des Finances publiques, il y a les lments de cohrence entre la BDP et le TOFE prendre en considration pour une consistance du modle. Ces lments sont : le paiement des intrts de la dette extrieure le remboursement du principal la variation des arrirs sur la dette extrieure Mais il faut bien vrifier et sentendre sur le type de TOFE qui est utilis car il existe deux types de TOFE (base caisse et base engagement). Du ct de la Situation Montaire et des Finances Publiques, il est souligner que les financements du secteur bancaire enregistrs dans la situation des Finances Publiques doivent tre gaux la variation des crances nettes sur ltat de la Situation Montaire Les avoirs extrieurs de la Situation Montaire proviennent de la consolidation des donnes des banques commerciales et de la banque centrale alors que la BDP utilise uniquement les donnes de la banque centrale. Il faut sassurer de la cohrence de la ramification des agrgats dans diffrents modules. Lanimateur Edouard a soulign que chaque groupe va expliquer les problmes rencontrs au niveau de la collecte et de la saisie et les solutions qui y ont t apportes pour une bonne discussion du modle avec les diffrents partenaires.
Rapporteur : Spes Nahayo, SP/REFES
Fvrier 2008 E-1113
269
Procs verbal de la session 18 sur la formation INPLABURA du mardi 20 novembre 2007

Le programme de la journe tait articul sur les points suivants :

Estimation des fonctions de comportements modules II ; III ; V, VI ; IX Insertion des quations comptables et relations triviales Ecriture globale de rsolution : choix de simulation et algorithme test de convergence du modle en utilisant les trois tests : - Moyenne des carrs des erreurs - Erreur moyenne absolue - Ingalit de THER
Ecart de production Trois mthodes : Ajustement linaire Ajustement quadratique Filtre de HODRICK-PRESCOTT
On nest pas oblig dutiliser les trois mthodes. On doit faire un choix. Pour faire le choix, il faut dabord dfinir les concepts et pouvoir justifier le choix. Quand on construit un modle, il y a toujours des problmes avec la base de donnes quel que soit le pays dvelopp ou pas, ce qui est important cest de pouvoir identifier les problmes et savoir comment on doit les rsoudre. Ce qui nest pas acceptable, cest de ne pas comprendre la nature du modle. Ainsi la nature du modle aide faire le choix des simulations et rsoudre le modle. Module II Ecart de production EPt = PIBt PIB*t PIBt : PIB observ PIB*t : PIB de plein emploi PIBt=A Kt Lt PIB*t = A K*t L*t Pour trouver le PIB potentiel, il y a plusieurs mthodes, la plus simple cest la mthode Hodrick et Proscott. 270
Fvrier 2008 E-1113
Sur la machine, il faut ouvrir la srie PIB/proc/ Hodrick Proscott filter/Dans Smoothed series, vous tapez PIB_m_pot/ok. On obtient une courbe PIB de long terme, PIB lui-mme et lcart entre les deux (cd Cycle). NB : La base pour les sries annuelles est toujours 100.

Valt=val trend+Variation cyclique. Lcart de production(EP) doit tre gnr : EP=PIB_m PIB_m_Pot EP apparaitra en exogne alors quen ralit, il nest pas exogne car il a t calcul. Pour corriger, il ya deux possibilits : EP=PIB_m - @HP(PIB_m) on peut encore gnrer Pib_m potentiel en tapant hpf(100)PIB_m PIB_m_pot
Rapporteur: Prosper NIYONGABO
Fvrier 2008 E-1113
271
FORMATION E-VIEWS - SESSION 19 - 21 NOVEMBRE 2007 Le programme des sessions 19 et 20 (mercredi 21 jeudi 22 novembre 2007) a t dfinit comme suit :

Finir les Estimations des Fonctions de Comportement Insrer les Equations Comptables Ecriture Globale de rsolution (choix de simulation et dalgorithme) Tests de convergence/validation du modle (RMSE, MAE, TIC) Elaboration des Scnarios et Projections (scnario de base et algorithme I et II)
Notes : Pour ce qui est des identits comptables, a not quil faut calculer : Certains ratios Certaines lasticits Les ratios et les lasticits sont par hypothse des constantes. Cest ainsi quaprs calcul on peut les insrer dans les quations comptables du modle. Le choix de simulation et dalgorithme dpendent essentiellement de la nature du modle. Le modle INPLABURA est un modle dynamique dterministe. Lalgorithme choisi est celui de Gauss-Seidel puisquil sagit dun modle rcursif. La Baseline Solution- est la politique poursuivie par le gouvernement. Il est sous entendu que cette politique va durer le temps de la simulation du modle. Ensuite on fait tourner des scnarios de dveloppement alternatifs. Typiquement, il faut tourner des scnarios de deux types. Des scnarios upside risk, type optimiste (ex : taux de croissance de 10%) et des scnarios downside risk, type plus pessimiste (ex : taux de croissance de 1%). Une fois quon a estim les quations de comportement dun modle, il faut insrer les identits comptables.
Fvrier 2008 E-1113
272
Pour ce faire, on slectionne toute les quations de comportement, on fait un click droit, Open as Model. L ou une fentre apparat avec toutes les identits comptables, encore un click droit, Insert, et la on peut taper les quations comptables. Naturellement, il faut sassurer que le nom des variables dans les quations comptables insres, sont cohrentes avec le nom des variables que vous avez importe dans le logiciel EViews. Autrement lorsque le modle sera tourne il ne reconnatra pas les identits comptables. Le travail de correction peut tre trs long ! Il faut galement sassurer de la validit des formules comptables une dernire fois avant lentre finale dans le modle. Typiquement, mme si lon a prit grand soin, le modle ne convergera pas tout de suite. Il y aura des problmes de reconnaissance de noms de variables, des problmes de syntaxe de programme etc. Cela est tout fait normal. Il faut tre patient et corriger les fautes dinattention une a une. Le modle du groupe Balance des Paiements a converge en fin de sance 20 ! Une fois cela fait, le modle vous indiquera quil a converge.
Rapporteurs : Elizabeth Kennedy, Jean Michel NKENGURUTSE
Fvrier 2008 E-1113
273
PROCES VERBAL DE LA SESSION 21 DE LA FORMATION SUR LE LOGICIEL EVIEWS du vendredi 23 novembre 2007 Cette session du 23/11/2007, portait sur : rappels sur la convergence et lcriture du modle lidentification et le traitement des variables llaboration des scnarios sur une variable instrumentale. I) Rappels sur la convergence du modle et criture du modle Aprs avoir indiqu que le modle a converg pour tous groupes, le consultant a prcis que lobjectif tait de former des gens qui seront en mesure de tourner le modle lorsque lISTEEBU aura produit des statistiques sur les comptes nationaux et toutes les fois quil y aura des changements. Ainsi, il prcis que pour le travail qui restait tait de former des quipes pour continuer le travail jusqu la rdaction dune note de conjoncture. Aprs avoir vu que le modle a converg, le consultant a flicit tous les groupes car, a-t-il prcis lobjectif tait de former une quipe dutilisateurs du modle et quune fois ils ont compris la manipulations des commandes en Eviews, ils nont rien envier les gens de lONU, BM et FMI car ces derniers utilisent encore EXCEL. Concernant prcisment lcriture globale du modle, il y a deux possibilits : criture par menu criture par programmation. Cest vrai lutilisateur peut choisir entre les deux, mais il est intressant de pouvoir matriser les deux. Pour le modle INPLABURA, il compte 256 variables dont 144 endognes et 112 exognes (ces chiffres ont t trouvs par lquipe noyau qui avait travaill jusque tard la veille). Thoriquement, le test de convergence varie entre 5000 et 10000 itrations, et pour le modle INPLABURA, il a t valid aprs 5000( qui constitue le seuil minimal). En fait, il y a convergence lorsque la srie des donnes simules est proche de celle des donnes historiques ( i.e si lcart est minime). Il existe plusieurs tests de convergence : 1) Moyenne des carres des rsidus 2) Erreur absolue moyen 3) Test dingalit de THEIL (il est reconnu comme tant le plus robuste)
Fvrier 2008 E-1113
274
Le choix du type de simulation est trs important, a rappel le consultant, dans la mesure o cest lui qui dtermine le choix dalgorithme utiliser. Pour le cas despce avec lINPLABURA, il sagit dun modle rcursif ; cest pourquoi lon fait la simulation dynamique dterministe. Pour rsoudre lINPLABURA cest lalgorithme Gauss-Seidel qui est appropri ce modle. II) Identification et traitement des variables Aprs la rsolution, suit une autre tape cruciale de prvision. A ce niveau il tait question pour tous les groupes de : 1) Identifier et traiter les variables ; autrement dits voir le statut de chaque variable (endogne ou exogne). 2) Crer un fichier pour les variables exognes. Dans tout exercice de modlisation, ce sont les variables exognes qui sont importantes en ce sens que cest sur ces dernires quil faudra agir pour influer sur les variables endognes du modle. Etant donn quun nombre lev de variables endognes nest pas intressant, il a fallait endognsier les variables du module IV de lINPLABURA. Concernant effectivement les prvision le consultant a prcis quil aimerait une prvision sur le court terme contrairement ce que fait les gens de la banque mondiale. Concernant le choix du modle de simulation le consultant est toujours revenu sur la diffrence entre la simulation dynamique et la simulation statique en prcisant les problmes rencontrs pour cette dernire : incertitude sur lvolution du terme erreur et sur la stabilit des coefficients sur toute la priode. III) Elaboration des scnarios sur une variable instrumentale A ce niveau le modlisateur doit connatre la philosophie du modle ; autrement dit lobjectif du modle (optimisation, simulation, quilibre calculable, ). Pour lINPLABURA, il sagit dun modle de simulation cest--dire qui donne aux dcideurs plusieurs solutions et plusieurs consquences ; et cest ces dcideurs de choisir la solution la moins coteuse. Pour former les scnarios du modle INPLABURA, la variable instrumentale est INVESTISSEMENT SECTORIEL et il faut analyser limpact sur les diffrents modules (rel, FIPU, situation montaire). A ce niveau le consultant a rappel tous les groupes le travail qui restait avant llaboration dune note de conjoncture : endognsier les variables du modle IV indiquer la taille du modle (quations de comportement et identits comptables)
Fvrier 2008 E-1113
275
Elaborer les scnarios et contrler les rsultats (voir sils sont ralistes) Exporter les rsultats de simulations de EVIEWS vers EXCEL (feuille de sortie construire les tableaux danalyse macroconomique : - taux de croissance de lconomie - taux dinvestissement par rapport au PIB - taux dpargne par rapport au PIB - solde entre le taux dinvestissement par rapport au PIB et le taux dpargne par - rapport au PIB - solde budgtaire par rapport au PIB - solde des oprations courantes par rapport au PIB - solde de la balance des capitaux par rapport au PIB - Niveau des rserves en mois dimportations: couverture dimportation - diffrentiel du taux dinflation entre le Burundi et les partenaires commerciaux - diffrentiel des taux dintrt - Taux de change effectif rel - Termes de lchange Prparer la note de conjoncture.
Les scnarios considrer pour 2005-2015 sont : Scnario neutre : 3% de taux de croissance de linvestissement sectoriel Scnario optimiste : 15% de taux de croissance de linvestissement sectoriel Scnario pessimiste : 1% de taux de croissance de linvestissement sectoriel
N.B : Pour tous les scnarios on considrera que les autres variables exognes restent maintenues leur niveau de 2004.
Rapporteur : Salomon NSABIMANA, Universit du Grand lac
Fvrier 2008 E-1113
276
BIBLIOGRAPHIE
-Altman D.G. (1991), Pratical Statistics for Medical Research, Chapman, Hall, London -Bera A.K., Higgins M.L. (1993), ARCH Models: Properties, estimation and Testing, journal of Economic Surveys, 7 (4), 307-366 -Belley-Ferris I., Leblond S. (2004), Guide dconomtrie appliqu a lintention des tudiants Cours ECN 3950, Dpartement des sciences conomiques, Universit de Montreal -Canas J., Fullerton T., Smith D.W. (2007), Maquiladora Employment Dynamics in Nuevo Laredo, growth and Change, Vol.38 No1 -Cogneau D., Rouband F. (1994), Les modles dEquilibre General Calculable: quelques rflexions critiques sur leur usage et leur application aux pays en dveloppement, Document de travail DIAL No 1994-11/T -Dialogue (1995), Les modles dquilibre gnral, Outils dvaluation des Politiques Economiques dans les pays en Dveloppement -Doucour F.B. (2007), Mthodes conomtriques, Cours et travaux Pratiques, Universit Cheik Anta Diop de Dakar, Anne Universitaire 20062007 -Engle F.R. (2001), The Use of ARCH/GARCH models in Applied Econometrics, Journal of Economic Perspectives, 15(4), 157-168 -Engle F.R. (1982) Autoregressive Conditional Heteroskedasticity with estimates of the Variance of U.K. Inflation, Econometrica, 50, 987-1008 -Fisher R.A. (1973), Statistical Methods and Scientific Inference, Oxford University Press -Fisher R.A. (1970), Statistical Methods for research Workers, Oxford University Press -Fisher R.A. (1966), The Design of Experiments, Oxford University Press -Galbraith W.J., Zinde-Walsh V. (2007), Evaluation de Critres dinformation pour les modles de sries chronologiques, Department of Economics, McGill University
Fvrier 2008 E-1113
277
-Goreau F., Lang G., (2006), Introduction lanalyse de donnes et la modlisation, ENGREF -Hurlin C. (2004), Economtrie pour la Finance, Cours de Master ESA, Chapitre I -Juillard M. (2007), Cours dconomtrie II, Regression Univariee, Cours du 13 mars 2007 -Klein L.R., Ozumucur S. (2004), The University of Pennsylvania Models for High-Frequency Macroeconomic Modeling, Department of Pennsylvania -Le Gallo (2000), Economtrie spatial, Htrognit spatiale, Universit de Bourgogne, LATEC-UMR 5118 -Mathieu R. (2000), Les dterminants des dpenses de sant : une approche macroconomique Document de travail, Institut Nationale de la Statistique et des Etudes Economiques -Plunket A. (2003), Correction dExamen dEconomtrie, Universit Paris 11 -Poitevineau J. (2004), Lusage des tests statistiques par les chercheurs en Psychologie : Aspects normatif, descriptif et prescriptif, Mathematiques&Sciences humaines -Ramsey (1969), Tests for Specification Error in Classical Linear Least Squares Regression Analysis,Journal of the Royal Statistical Society, PP.350371 -Raufaste E. (2005) Modles linaires: Rgression entre variables numriques, Note sur les rgressions simples, analyse des rsidus -Rakotomanalala R. (2006), Liaison et dpendance entre deux variables quantitatives: Rgression linaire simple, Cours danalyse de donnes, HEC, Lausanne -Theil H. (1961), Economic forecasts and Policy 2nd ed. Amesterdam, The Netherlands
Fvrier 2008 E-1113
278

Econométrie Burundi Simulation

Transféré par

Droits d'auteur :

Formats disponibles

Econométrie Burundi Simulation

Transféré par

Informations du document

Titre original

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

Econométrie Burundi Simulation

Transféré par

Droits d'auteur :

Formats disponibles

BURUNDI

TABLE DES MATIERES

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Equation 1: Ct = + Yt Equation 2: Ct = 0 + 1Yt + 2 Pri Xt + 3 Ct-1

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

(estimateurs) et lquation (7) est le rsidu estim du

modle dfinit comme la diffrence entre la valeur de

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

est faible, plus on aura

Tests diagnostics sur les termes derreurs ou rsidus

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Test de restriction sur les coefficients

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Analyse des 12 statistiques du tableau des rsultats

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Fvrier 2008 E-1113

Spcification et hypothses Considrons la fonction de consommation suivante :

suivent une distribution normale.

Fvrier 2008 E-1113

Saisie de donnes sous Excel (feuilles dentre)

La priode des observations ; Le nombre de variables ; Le nom des variables.

Importation des donnes

Apres avoir valid on obtient lcran suivant :

Fvrier 2008 E-1113

Maintenant, il faut importer les donnes dEXCEL. Slectionnez File/Import/Read Text-Lotus-Excel

Fvrier 2008 E-1113

Quand vous cliquez sur OK (valider), voici ce que vous obtenez :

Fvrier 2008 E-1113

Estimation sous Eviews

Fvrier 2008 E-1113