1.

PRESENTATION DE EVIEWS

a) Généralités

EViews est un logiciel qui permet de réaliser une analyse pointue des données, de faire une régression
et des prévisions. C’est donc un outil performant d’analyse des séries macroéconomiques.
Il représente la version nouvelle d’un ensemble d’outils de traitement des séries temporelles
initialement fait par TSP(Time Series Processor) et développé par les économistes. Aujourd’hui,
Eviews connaît une large application dans de nombreux autres domaines. Il offre la possibilité d’entrer
les données à partir du clavier ou d’importer les données de d’autres logiciels, de créer de nouvelles
séries à partir de celles existantes, de faire des analyses statistiques des relations entre les séries.
EViews utilise les caractéristiques des logiciels sous Windows. L’utilisateur habitué à Windows peut
ainsi utiliser sa souris pour faire des opérations à l’aide les menus et boites de dialogue standards de
Windows. Les résultats apparaissent peuvent être manipulés par les techniques standards. En
particulier, ils peuvent être copiés puis collés dans Word ou EXCEL pour faciliter le processus de
rédaction ou de mise en forme du rapport. Alternativement, EViews dispose d’un langage de
programmation et de commandes assez variées. Enfin, EViews contient un menu d’aide en ligne très
documenté sur la mise en œuvre des procédures d’analyse, des commandes et des opérations qu’il
permet de faire.

b) Champs d’application

EViews connaît une application dans de nombreux domaines impliquant le traitement et l’analyse des
données. En particulier, il peut être utile à :

ü La prévision macroéconomique

• ¨Prévision de l’inflation ;
• Prévision du taux de croissance ;
• Prévision du taux d’investissement ;
• Prévision des recettes budgétaires etc. ;

ü La prévision en entreprise

• Prévision des ventes ;

• Prévision de la demande ;
• Prévision des prix, etc.;

ü L’analyse financière

• Caractéristiques des séries financières

• Hétéroscédacticité et volatilité
• Les modèles à effets ARCH, ARCH en moyenne, ARCH généralisé ;

ü La simulation

L’Econométrie avec Eviews/ Support pédagogique 3 MKEHO Y

 c) Objets types

Le programme de EViews est basé sur le concept d’objet. Les objets sont en fait des blocs
d’informations et d’opérations qui sont mis ensemble pour être utilisés plus aisément. De façon
virtuelle, tout le travail dans Eviews impliquera l’utilisation et la manipulation d’objets divers. L’objet
le plus important dans EViews est le workfile (espace de travail) et la première chose à faire sera de
créer un nouveau workfile ou d’ouvrir un workfile existant. Chaque objet est un ensemble
d’information se rapportant à un domaine particulier de l’analyse. Les objets peuvent recevoir
également un nom. Les objets les plus importants sont les workfiles, les séries et les équations. Il
existe cependant un certain nombre d’autres objets qui jouent des fonctions différentes. Il s’agit par
exemple des vecteurs de coefficients, des bases de données, les graphs, les groupes, les models, le
VAR. Tous ces objets, à l’exception des workfiles et des bases de données, possèdent leurs propres
symboles qui apparaissent dans le workfile. Lorsqu’un workfile est crée, deux objets apparaissent
automatiquement : le vecteur des coefficients et la série des résidus.

Pour créer un nouvel objet, il suffit de sélectionner Object/New Object à partir du menu principal ou
du menu du workfile, de choisir ensuite le type d’objet que l’on veut créer et de le nommer avant de
valider par OK.

c) Expressions mathématiques

EViews dispose d’un éventail d’opérateurs et de fonctions qui permet de faire des calculs
mathématiques. EViews dispose surtout de certaines fonctions spécialisées utilisées couramment dans
l’analyse des séries temporelles (log, différences premières/sécondes, rétards…). Le tableau suivant
décrit les fonctions des opérateurs mathématiques utilisés par EViews.

L’Econométrie avec Eviews/ Support pédagogique 4 MKEHO Y

 c) Applications

Nous utiliserons ces opérateurs pour créer de nouvelles variables dans la section suivante.

2. MANIPULATION DE DONNEES

a) Création de workfile(espace de travail)

La création d’un workfile est la première étape à accomplir. Celle-ci définit le nombre d’observations,
leur fréquence et le nombre ou les noms des variables. Il est donc nécessaire de relever ces
caractéristiques. Nous allons faire l’exercice pour les données du fichier croissance.xls.

Sélectionner File/New/Workfile comme indiqué ci-dessous :

On obtient après cette opération, l’écran suivant :

Les données
sont annuelles
Cliquer ici
pour valider

Date de
début Date de fin

L’Econométrie avec Eviews/ Support pédagogique 5 MKEHO Y

Préciser ici la fréquence des observations des données :annuelle, semestrielle, trimestrielle, mensuelle,
journalière etc. Ici les données sont annuelles, elles commencent en 1965 et finissent en 2001. Après
avoir en cliquant sur OK , l’écran suivant s’affiche :

Ce Workfile ne contient pas encore de variables. C’est maintenant que nous allons procéder à
l’importation des données du fichier croissance.xls.

b) Importation de données

Dans le menu principal, faire File/Import/Read Text-Lotus-Excel

Préciser ensuite le nom du fichier à lire (ici croissance) et faire ouvrir.

L’Econométrie avec Eviews/ Support pédagogique 6 MKEHO Y

 Les données commencent à la
colonne B, ligne 2 (voir note*)

Les séries sont en

colonne

Taper ici le nombre

de variables

L’étendue des
données à conserver

Note * : La colonne A du fichier croissance.xls contient les années. Le fait d’avoir déjà précisé que les
données vont de 1965 à 2001 génère automatiquement la variable « année ». Les séries commencent
en réalité à partir de la colonne B, ligne 2. La cellule contient le nom de la série.

En cliquant sur OK pour valider, on obtient :

Vous venez de créer le fichier de travail. Les trois (5) séries CRED, INVG, INVP, PIB et TIR
apparaissent bien dans le workfile . Range indique la période couvertes par les séries. Sample indique
la période qui va être considérée dans les calculs.

Enregistrer le workfile au nom de « croissance.wf » (faire File/Save as). Pour visualiser les
observations d’une série, double -cliquer sur la série. Pour visualiser l’ensemble des 5 séries,
sélectionner-les et faire Show puis valider. On peut aussi faire un clic droit et sélectionner Open/As
Group.

L’Econométrie avec Eviews/ Support pédagogique 7 MKEHO Y

 b) Entrée de données

EViews donne la possibilité d’entrée directement des données dans un workfile. Pour cela,
sélectionner Objects/New Object/Series à partir du menu principal ou du menu du workfile. Entrer
ensuite le nom de la série (par exemple Y).

Tapez ici le nom de

la série à créer

Validez ici

Type d’Objet

Après avoir validé, la variable Y apparaît dans le workfile. Faire un doub le-clic pour le
visualiser. Toutes les valeurs sont NA. Cliquez sur Edit +/- pour activer l’entrée des données.
Vous pouvez maintenant entrer les observations de la série Y. Appuyer la touche Entrée (sur
le votre clavier) après chaque entrée.

c) Création de variables et de groupes

On peut créer des variables à parmi des variables existantes par des opérations de calculs et/ou des
transformations. Pour générer de nouvelles variables, sélectionnez Quick/Generate Series dans le
menu principal ou cliquez sur Genr dans le menu du workfile, et tapez la formule de calcul. Nous
allons calculer l’investissement total, les taux d’investissements public et privé et les logarithmes des
variables. Pour l’investissement total entrez la formule comme indiqué dans l’écran suivant :

Générez de la même façon, les logarithmes des séries.

Pour créer un group comprenant les 5 séries, sélectionnez-les, et choisissez Show dans le menu puis
nommez.

L’Econométrie avec Eviews/ Support pédagogique 8 MKEHO Y

d) Graphiques

Pour obtenir la représentation graphique d’une série, il faut d’abord la visualiser ( en faisant
simplement double -clic sur la série). Ensuite, sélectionnez View/Graph/Line. On peut obtenir
simultanément les graphs de plusieurs séries.

Graphiques séparés Graphiques superposés

400 500 500

350
400
400
300

250 300
300
200
200
150 200

100 100

50 100
1965 1970 1975 1980 1985 1990 1995 2000 1965 1970 1975 1980 1985 1990 1995 2000 0
1965 1970 1975 1980 1985 1990 1995 2000
INVG INVP
INVG INVP

On peut représenter un nuage de points entre deux variables. Ouvrez les deux variables et
sélectionnez à partir du menu View/Graph/Scatter/Simple Scatter.

L’Econométrie avec Eviews/ Support pédagogique 9 MKEHO Y

 500

400

INVP
300

200

100
50 100 150 200 250 300 350 400

INVG

e) Statistiques de base

Nous allons calculer quelques statistiques élémentaires pour les variables. Pour le faire, sélectionnez
les variables ou l’objet groupe qui contient les variables, puis visualisez (menu Show). Une fois, le
groupe ouvert, sélectionnez View/Descriptives Stats/Individual Samples dans la barre de menu.
Pour les séries que nous avons, on obtient le résultat suivant :

PIB INVP INVG CRED TIR

Mean 4180.332 283.7390 163.0151 142493.3 3.180896
Median 4596.000 259.1919 134.8837 146984.9 2.556678
Maximum 6274.300 487.6712 376.0870 234649.0 21.49558
Minimum 1730.100 129.0909 72.85714 29551.40 -23.36149
Std. Dev. 1304.186 112.1640 77.29009 65299.06 9.690284
Skewness -0.348386 0.340391 1.234420 -0.382531 -0.267474
Kurtosis 2.181596 1.900300 3.939549 1.862083 3.076487

Jarque-Bera 1.781052 2.578904 10.75764 2.898604 0.450197

Probability 0.410440 0.275422 0.004613 0.234734 0.798438

Sum 154672.3 10498.34 6031.560 5272252. 117.6931

Sum Sq. Dev. 61232479 452907.8 215055.3 1.54E+11 3380.458

Observations 37 37 37 37 37

Pour retourner aux données, cliquez sur l’onglet Sheet.

3. ESTIMATION

Nous abordons l’estimation des modèles économétriques. Certaines connaissances théoriques sont
nécessaires pour la compréhension et la mise en œuvre des procédures d’estimation et l’évaluation des
modèles. On pourra consulter au besoin l’aide de EView sur les développements mathématiques et
théoriques de la régression.

a) Estimation d’une équation

Nous allons estimer une fonction d’investissement sous la forme :

LINVP=a0 +a1LPIB +a2 LINVG+a3LCRED+a4TIR + trend

L’Econométrie avec Eviews/ Support pédagogique 10 MKEHO Y

 Dans cette spécification, l’investissement privé (LINVP) est la variable dépendante et les autres
variables sont des variables explicatives.

La variable
endogène est suivie
de la constante et
des explicatives

La méthode utilisée
ici (et à défaut) est
les MCO

Les résultats de l’estimation sont présentés comme suit:

Dependent Variable: LOG(INVP)

Method: Least Squares
Sample: 1965 2001
Included observations: 37
Variable Coefficient Std. Error t-Statistic Prob.
C -18.10705 2.134371 -8.483553 0.0000
LOG(PIB) 4.215896 0.411344 10.24906 0.0000
LOG(INVG) 0.079342 0.088281 0.898740 0.3757
LOG(CRED) -0.868632 0.093550 -9.285172 0.0000
TIR -0.005436 0.002300 -2.363574 0.0245
@TREND(1965) -0.080001 0.009675 -8.268864 0.0000
R-squared 0.933342 Mean dependent var 5.567993
Adjusted R-squared 0.922591 S.D. dependent var 0.412801
S.E. of regression 0.114852 Akaike info criterion -1.342958
Sum squared resid 0.408918 Schwarz criterion -1.081728
Log likelihood 30.84472 F-statistic 86.81207
Durbin-Watson stat 1.284855 Prob(F-statistic) 0.000000

On peut nommer cette équation en tant qu’un objet. Cliquez sur Name et tapez le nom (ici
croissance). Pour documenter les résultats (dans un document Word par exemple), cliquez sur
View/Representations .

Estimation Command:
=====================
LS LOG(INVP) C LOG(PIB) LOG(INVG) LOG(CRED) TIR @TREND(1965)

Estimation Equation:
=====================
LOG(INVP) = C(1) + C(2)*LOG(PIB) + C(3)*LOG(INVG) + C(4)*LOG(CRED) + C(5)*TIR + C(6)*(@TREND(1965))

Substituted Coefficients:
=====================
LOG(INVP) = -18.10705271 + 4.215895662*LOG(PIB) + 0.0793417408*LOG(INVG) - 0.8686315888*LOG(CRED) -
0.005436349675*TIR - 0.08000108038*(@TREND(1965))

L’Econométrie avec Eviews/ Support pédagogique 11 MKEHO Y

On peut ainsi aisément copier et coller la dernière ligne dans un document word. Cliquez sur l’onglet
Stats pour revenir aux résultats de l’estimation (EQ1).

b) Tests de normalité et de restrictions sur les coefficients

• Test de normalité

Dans le menu du Workfile, selectionnez View/Residual tests/ Histogram-Normality test, comme

indiqué ci-dessous:

6
Series: Residuals
Sam ple 196 5 20 01
5
Obse rvations 3 7

4 Mean -2.80E-15
Median -0.013621
Maximum 0.215766
3
Minimum -0.169803
Std. Dev. 0.106578
2 Skewness 0.356915
Kurtosis 2.203583
1
Jarque-Bera 1.763411
Probability 0.414076
0
-0.1 0.0 0.1 0.2

Le test de Jarque-Bera ne permet pas de rejeter l’hypothèse de normalité des erreurs.

• Test sur les coefficients

Les tests sur les cœfficients sont de plusieurs types. Le test de significativité globale donnée par la
statistique de Fisher sous l’hypothèse de normalité des erreurs ; le test de significativité des
coefficients et le test de restrictions linéaires. Nous appliquer un test de Wald pour tester l’hypothèse

a1 + a 2 = 4

Sélectionnez View/Coefficient Tests/Wald-Coefficient Restrictions…

L’Econométrie avec Eviews/ Support pédagogique 12 MKEHO Y

Tapez la contrainte. Les coefficients associés aux variables explicatives sont notés par C(1) pour la
constante, C(2) pour PIB, C(3) pour INVG etc. La lettre « c » qui apparaît ainsi dans le workfile
représente le vecteur des cœfficients C(1), C(2), C(3) etc.

Les résultas sont donnés dans le tableau suivant :

Wald Test:
Equation: EQ01
Test Statistic Value df Probability
F-statistic 0.715968 (1, 31) 0.4040
Chi-square 0.715968 1 0.3975

Null Hypothesis Summary:

Normalized Restriction (= 0) Value Std. Err.
-4 + C(2) + C(3) 0.295237 0.348919
Restrictions are linear in coefficients.

La probabilité critique de la statistique du test de Wald (0,3475) est largement supérieure à 5% :

l’hypothèse testée ne peut donc être rejetée au seuil de 5%.

• Tests de stabilité

Il existe plusieurs tests de stabilité d’un modèle. Le test de stabilité de Chow effectue un test de Fisher
en comparant les estimations des coefficients sur deux périodes.
Peut-on considérer qu’il y a eu un changement dans l’activité de l’économie ivoirienne après la
dévaluation intervenue en 1994 ? Nous allons réaliser un test de Chow en considérant les deus
périodes 1965-1993 et 1994-2001.

A partir du menu de l’équation, sélectionnez View/Stability Tests/Chow Breakpoint Test…

L’Econométrie avec Eviews/ Support pédagogique 13 MKEHO Y

Entrez 1994 dans la boite de dialogue qui apparaît. Cette date correspond à la date de rupture.

Chow Breakpoint Test: 1994

F-statistic 7.586557 Probability 0.000104
Log likelihood ratio 38.36942 Probability 0.000001

La statistique de Fisher reporte une probabilité inférieure à 5% : on ne peut donc accepter au seuil de
5% l’hypothèse de stabilité des coefficients. La dévaluation de 1994 a donc introduit un changement
structurel significatif dans le comportement des grandeurs macroéconomiques de l’économie
ivoirienne.

Un autre moyen de tester la stabilité du modèle est d’analyser les résidus récursifs du modèle. Si le
modèle est stable, les résidus récursifs sont indépendamment et normalement distribués, de moyenne
nulle et d’écart type constant. On peut également mettre en œuvre les tests CUSUM (cumulative sum )
et CUSUMSQ (cumulative sum of squares). Le CUSUM utilise les la somme cumulée des résidus
récursifs tandis que le CUSUMSQ utilise le carré des résidus récursifs.

Pour mettre en œuvre ces différents tests, sélectionnez, à partir du menu de l’équation View/Stability
Tests/Recursive Estimates…

Il suffit de cocher la case correspondante au test que l’on veut faire. Les trois tests donnent les
graphiques suivants :

L’Econométrie avec Eviews/ Support pédagogique 14 MKEHO Y

 .4
20
1.6
.3
15
.2 10 1.2

.1 5
0.8
.0 0

-5 0.4
-.1
-10
-.2 0.0
-15
-.3 -20 -0.4
1975 1980 1985 1990 1995 2000 1975 1980 1985 1990 1995 2000 1975 1980 1985 1990 1995 2000

Recursive Residuals ± 2 S.E. CUSUM 5% Significance CUSUM of Squares 5% Significance

Les statistiques obtenues sortent de la bande critique à 5% pour les résidus récursifs et le test
CUSUMSQ.

NB. On remarquera que les tests récursifs ne sont faisables que lorsque le modèle est estimé par
moindres carrés ordinaire et sans termes AR et MA.

4. SPECIFICATION

a) Sélection des variables indépendantes

Lorsque le nombre de variables est important, on peut mettre en œuvre une procédure pour retenir les
variables explicatives les plus pertinentes. La façon la plus simple de savoir si une variable ou un
groupe de variables est pertinent est faire deux régressions. Une première régression avec la (les)
variable (s) et une deuxième qui exclue ces variables. On effectue alors un test de significativité
(Fisher, Wald ou Student). On peut utiliser d’autres critères comme les critères d’information (Akaike,
Schwarz, Hannan-Quinn) pour la sélection des variables.

b. Choix des formes fonctionnelles

Le test RESET de Ramsey permet de tester les erreurs de spécification dans une régression
(Regression Specification Error Test). Les erreurs de spécification sont de plusieurs types :

ü Oubli de variables pertinentes ;

ü Forme fonctionnelle inadaptée (certaines variables doivent être transformées en log, inverse,
carrés etc.) ;
ü Corrélation entre les explicatives et le terme d’erreur (non exogénéité).

Pour mettre en oeuvre ce test, sélectionnez View/Stability Tests/Ramsey RESET Test... et spécifiez
le nombre de termes à inclure dans la régression. Pour 1 seul terme, on obtient :

L’Econométrie avec Eviews/ Support pédagogique 15 MKEHO Y

 Ramsey RESET Test:
F-statistic 0.336681 Probabi lity 0.566084
Log likelihood ratio 0.412927 Probability 0.520487

Test Equation:
Dependent Variable: LINVP
Method: Least Squares
Sample: 1965 2001
Included observations: 37
Variable Coefficient Std. Error t-Statistic Prob.
C -0.640163 30.17997 -0.021212 0.9832
LPIB 0.657447 6.146774 0.106958 0.9155
LINVG -0.015991 0.186970 -0.085527 0.9324
LCRED -0.114336 1.303402 -0.087721 0.9307
TIR -0.001134 0.007771 -0.145875 0.8850
TEMPS -0.013095 0.115722 -0.113155 0.9107
FITTED^2 0.077753 0.134001 0.580242 0.5661
R-squared 0.934082 Mean dependent var 5.567993
Adjusted R-squared 0.920898 S.D. dependent var 0.412801
S.E. of regression 0.116100 Akaike info criterion -1.300064
Sum squared resid 0.404380 Schwarz criterion -0.995296
Log likelihood 31.05118 F-statistic 70.85155
Durbin-Watson stat 1.290892 Prob(F-statistic) 0.000000

La statistique de test (F-stat) a une probabilité critique de 0,566 largement supérieure à 5%.
L’hypothèse de nullité des termes ajoutés (ici un seul) terme ne peut être rejeter au seuil de 5%.
Le test RESET de Ramsey ne s’applique que sur des équations estimées par mco.

c) Exercice

Utilisez les critères d’information pour juger de la pertinence des variables LINVG, LINVP(-1) et
LPIB(-1).

5. MULTICOLINEARITE

a) Détection de la multicolinéarité

La multicolinéarité entre les variables peut s’analyser à partir des cœfficients de corrélations
empiriques. Pour obtenir la matrice des corrélations empiriques entre les variables sélectionnées,
activez sur View/Correlations .

PIB INVP INVG CRED TIR

PIB 1 0.5546046124 0.3174961057 0.7394725736 0.296741582531
INVP 0.554604612418 1 0.7619728320 0.2638800737 -0.125842003351
99
INVG 0.317496105738 0.7619728320 1 0.2998952139 -
0.0151349604244
CRED 0.739472573611 0.2638800737 0.2998952139 1 0.523281781243
TIR 0.296741582531 -0.1258420033 -0.0151349604 0.5232817812 1

On peut utiliser un t-test pour tester la significativité d’un cœfficient de corrélation.

L’Econométrie avec Eviews/ Support pédagogique 16 MKEHO Y

 b. Transformation des variables

Il existe plusieurs façons de transformer les variables d’un modèle économétrique. Les plus courantes
sont les logarithmes, les carrés et les différenciations. Ces différentes transformations se font aisément
en utilisant le menu de génération déjà vu (section 2, pont d).

Type de transformation Description Spécification sous EWiews

Combinaison linéaire Yt = a 0 + a1 ( X t + Z t ) Y C X+Z
Différences premières Yt = a 0 + a1 ( X t − X t−1 ) Y C d(X)
Différences premières des Yt = a 0 + a1 (ln X t − ln X t−1 ) Y C dlog(X)
logarithmes
Variable en taux de croissance Yt = a 0 + a1 ( X t − X t −1 ) / X t Y C pch(X)

6. AUTOCORELATION SERIELLE

a) Génération des résidus

Pour générer la série des résidus, sélectionnez à partir du menu de l’équation, Procs/Make Reidual
Series…

Nommez la série. Par exemple RES1.

b) Graphiques

La série des résidus peut faire l’objet de tous les traitements effectués précédemment sur les séries
(moyenne, écart type, histogramme, graphique …). On peut représenter sur un même graphique les
valeurs théoriques de la variable dépendante, les valeurs réelles et les résidus. Pour cela, il suffit
cliquer sur l’onglet Resids du menu de l’équation (le dernier onglet à droite).

L’Econométrie avec Eviews/ Support pédagogique 17 MKEHO Y

 6.4

6.0

5.6

5.2
.3
4.8
.2
4.4
.1

.0

-.1

-.2
1965 1970 1975 1980 1985 1990 1995 2000

Residual Actual Fitted

c) Test d’autocorelation (Durbin-Waston, Breusch-Godfrey, Ljung -Box, …)

• Test de Breusch-Godfrey

Sélectionnez View/Residual tests/ Serial Correlation LM test…. Précisez l’ordre de

l’autocorrélation (1). Comme pour le test précédent, on dispose des mêmes statistiques.

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 3.444024 Probability 0.073329
Obs*R-squared 3.810214 Probability 0.050941

Les résultats ne permettent pas de rejeter l’hypothèse d’autocorrélation d’ordre 1 pour un seuil de 5%.
Mais à 8% on est amené à rejeter l’hypothèse nulle.

• Analyse du Corrélogramme et test de Box-Pierce et de Ljung-Box

Pour obtenir le correlograme de la série des résidus, sélectionnez View/Residual tests/ Correlogram-
Q-statistics …

L’Econométrie avec Eviews/ Support pédagogique 18 MKEHO Y

La colonne AC indique les autoccorélations et la colonne PAC les autocorrélations partielles. La
statistique du test de Ljung-Box est donnée par le Q-stat avec sa probabilité critique.

Le corrélogramme permet d’identifier les termes significatifs de la fonction d’autocorrélation. On

s’aperçoit ici que seule le premier terme sort des bornes de l’intervalle de confiance stylisées par les
pointillés horizontaux. Le Q-stat de Ljung-Box reporte une valeur de 3,9539 avec une probabilité
critique de 0,047 (pour p=1) inférieure à 0,05 ; on rejette l’hypothèse de nullité du premier terme.

d) Estimation en présence d’autocorrélation

La présence de l’autoccorélation résiduelle rend caducs les commentaires concernant la validité

statistique du modèle et les tests statistiques (significativité, contraintes linéaires etc.). Il convient donc
de re-estimer ces coefficients en utilisant une procédure d’estimation adéquate (méthode itérative de
Cochrane-Orcutt, méthode de Hildreth-Lu, méthode du maximum de vraisemblance etc.). Nous allons
re-estimer le modèle en retenant une autocorrélation d’ordre 1.

Cliquez sur Estimate dans le menu de l’équation pour retourner à la spécification de l’équation.
Ajoutez un terme AR(1) à la fin de l’équation et validez.

On obtient les résultats suivants :

Dependent Variable: LOG(INVP)

Method: Least Squares
Sample(adjusted): 1966 2001
Included observations: 36 after adjusting endpoints
Convergence achieved after 11 iterations
Variable Coefficient Std. Error t-Statistic Prob.
C -17.32808 2.688622 -6.444969 0.0000
LOG(PIB) 3.957984 0.488583 8.100942 0.0000
LOG(INVG) 0.138236 0.097224 1.421831 0.1657
LOG(CRED) -0.787880 0.118832 -6.630175 0.0000
TIR -0.004582 0.002266 -2.022496 0.0524
@TREND(1965) -0.074260 0.011891 -6.245172 0.0000
AR(1) 0.408302 0.168934 2.416929 0.0222
R-squared 0.944143 Mean dependent var 5.586451
Adjusted R-squared 0.932586 S.D. dependent var 0.402874
S.E. of regression 0.104603 Akaike info criterion -1.504628

L’Econométrie avec Eviews/ Support pédagogique 19 MKEHO Y

 Sum squared resid 0.317310 Schwarz criterion -1.196721
Log likelihood 34.08330 F-statistic 81.69706
Durbin-Watson stat 1.774884 Prob(F-statistic) 0.000000
Inverted AR Roots .41

Les coefficients estimés, les écart types et les statistiques s’interprètent de la façon habituelle. Le
coefficient estimé du terme AR(1) est le coefficient de l’autocorrélation sérielle des résidus
inconditionnels.

Nous reviendrons sur les autres méthodes itératives d’estimation par MCG (Durbin, Cochrane-Orcutt,
Hildreth-Lu…) dans la séance consacrée à la programmation.

7. HETEROSCEDASTICITE

a) Graphiques

Pour détecter la source de l’hétéroscédasticité, on peut représenter graphiquement le nuage de points

(Scatter-Plots) entre la série des résidus et chacune des variables. La présence d’une hétéroscédasticité
implique une variation systématique de la variance des résidus en fonction de la variable causale.

b) Test d’hétéroscédacticité des résidus

Nous allons tester l’hypothèse d’hétéroscédacticité à l’aide du test de White. C’est le seul test
d’hétéroscédacticité qui est disponible dans les menus d’EViews.

Sélectionnez View/Residual tests/ White Heteroskedasticity (no cross terms). Le tableau qui
s’affiche donne la régression de White. Les statistiques à partir desquelles se fonde la décision figurent
dans le haut du tableau : F-statistic et Obs*R-squared. Il s’agit des statistiques de Fisher et du Chi-2.

White Heteroskedasticity Test:

F-statistic 1.669282 Probability 0.142226
Obs*R-squared 14.46694 Probability 0.152738

Pour chaque statistique, on a la probabilité critique, la p-value.

Ici, les probabilités sont supérieurs à 5% (seuil usuel des tests d’hypothèses) : l’hypothèse
d’homoscédasticité ne peut être rejetée.

b) Corrections

Il n’existe pas une méthode de correction de l’hétéroscédasticité. La correction dépend de la forme

fonctionnelle de l’hétéroscédasticité et des variables qui y interviennent. Certains tests
d’hétéroscédasticité permettent d’envisager la procédure de correction à appliquer. Nous verrons
quelques-uns de ces tests dans la section portant sur la programmation.

L’Econométrie avec Eviews/ Support pédagogique 20 MKEHO Y

 8. SERIES TEMPORELLES

a) Modèles à retards échelonnés

Les modèles à retards échelonnés autorisent les variables retardées à figurer en explicatives. La
spécification du modèle sous EView se fait en ajoutant les retards des variables concernées.
Considérons le modèle d’investissement de la forme suivante :

LINVPt = α 0 + a0 LPIBt + a1LPIB t −1 + b0 LINVGt + c1 LINVPt −1 + dLCREDt + eTIR t

Il s’agit là d’un modèle autorégressif à retards échelonnés.

Ouvrir la boite de spécification d’équation (Quick/Estimate Equation) et entrer les variables comme
cela indiqué ci-après:

En cliquant sur OK pour valider, on obtient le résultat suivant.

On peut effectuer sur cette régression les mêmes tests d’hypothèses effectués précédemment (test de
significativité, test de Wald, test de normalité, test d’autocorrélation résiduelle, test
d’hétéroscédasticité etc.).

L’Econométrie avec Eviews/ Support pédagogique 21 MKEHO Y

b) Test de non stationnarité (racines unitaires)

Il existe plusieurs tests de non stationnarité des séries temporelles. Les plus utilisés sont le test de
racine unitaire de Dickey-Fuller (DF/ADF), le test de Phillip-Perron (PP) et le test KPSS.

Pour tester la non stationnarité d’une variable, il suffit de visualiser celle -ci et de sélectionnez à partir
du menu de la série, Unit Root Test…

Cliquez ici pour choisir le type de

test

Précisez l’ordre Voir note *

de différenciation

Précisez les
termes
déterministes

Note* : Le choix du nombre de retards est important pour le test stationnarité. EViews procède à la
sélection automatique du nombre de retards optimal en utilisant les critères d’information usuels.
Toutefois, EViews donne la possibilité à l’utilisateur de spécifier le nombre de retards.

Les résultats du test de Dickey-Fuller Augmenté sont présentés comme suit :

L’Econométrie avec Eviews/ Support pédagogique 22 MKEHO Y

 Null Hypothesis: LINVP has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic based on SIC, MAXLAG=9)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.043512 0.2678
Test critical values: 1% level -3.632900
5% level -2.948404
10% level -2.612874
*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(LINVP)
Method: Least Squares
Sample(adjusted): 1967 2001
Included observations: 35 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
LINVP(-1) -0.149180 0.073002 -2.043512 0.0493
D(LINVP(-1)) 0.277080 0.164438 1.685007 0.1017
C 0.850747 0.407529 2.087574 0.0449
R-squared 0.159623 Mean dependent var 0.026530
Adjusted R-squared 0.107099 S.D. dependent var 0.180487
S.E. of regression 0.170548 Akaike info criterion -0.617779
Sum squared resid 0.930776 Schwarz criterion -0.484464
Log likelihood 13.81114 F-statistic 3.039075
Durbin-Watson stat 2.107666 Prob(F-statistic) 0.061885

Le deuxième tableau indique le modèle sur lequel le test est basé. On peut ainsi juger de la pertinence
des termes déterministes à inclure dans la régression auxiliaire.

Le premier tableau donne les statistiques de test ADF, les valeurs critiques et les p-values. La
statistique prend une valeur de -2,043512, supérieure aux valeurs critiques aux seuils de 1%, 5% et
10%. La série admet donc une racine unitaire. Le test est effectué suivant la même démarche pour les
tests PP et KPSS. Toutefois, il est important de se rappeler que l’hypothèse nulle du test KPSS est
celle de la stationnarité (et non la non-stationnarité).

c) Modèle VAR

Un modèle VAR est un modèle autorégressif dans lequel la valeur contemporaine d’une variable
dépend de ses valeurs passées et des valeurs passées des autres variables. Ici il n’y a pas de variables
exogènes et de variables endogènes. Toutes les variables du VAR sont supposées endogènes.
Cependant, l’on peut ajouter au modèle des variables qui soient exogènes.

Nous allons estimer un VAR (1) pour les variables en différences (excepté TIR).
Sélectionnez le groupe de variables, faites un clic droit et sélectionnez as VAR…

L’Econométrie avec Eviews/ Support pédagogique 23 MKEHO Y

On peut aussi procéder par le menu principale en sélectionnant Quick/Estimate VAR…

Liste des
variables du
VAR

Entrer ici le
nombre de
retards du
VAR

Cliquer sur OK pour valider.

Vector Autoregression Estimates

Sample(adjusted): 1967 2001
Included observations: 35 after adjusting endpoints
Standard errors in ( ) & t-statistics in [ ]
DLPIB DLINVP DLINVG DLCRED
DLPIB(-1) -0.140859 -0.544641 1.219073 1.245344
(0.18298) (1.16486) (1.36886) (0.64879)
[-0.76982] [-0.46756] [ 0.89058] [ 1.91950]

DLINVP(-1) -0.006959 -0.021072 -0.039118 -0.046813

(0.04266) (0.27156) (0.31912) (0.15125)
[-0.16315] [-0.07760] [-0.12258] [-0.30951]

DLINVG(-1) 0.084026 0.244128 0.345035 -0.004746

(0.02669) (0.16992) (0.19967) (0.09464)
[ 3.14813] [ 1.43676] [ 1.72800] [-0.05015]

DLCRED(-1) 0.124197 0.208705 -0.154859 0.218015

(0.05178) (0.32962) (0.38734) (0.18359)

L’Econométrie avec Eviews/ Support pédagogique 24 MKEHO Y

 [ 2.39872] [ 0.63318] [-0.39980] [ 1.18754]

TIR(-1) -0.002466 -0.007665 -0.004444 -0.001790

(0.00056) (0.00354) (0.00416) (0.00197)
[-4.43998] [-2.16735] [-1.06938] [-0.90894]

C 0.040653 0.059209 -0.023428 -0.004821

(0.00745) (0.04746) (0.05577) (0.02643)
[ 5.45354] [ 1.24766] [-0.42011] [-0.18238]
R-squared 0.615649 0.229893 0.273934 0.350061
Adj. R-squared 0.549382 0.097116 0.148750 0.238003
Sum sq. resids 0.021046 0.852947 1.177859 0.264595
S.E. equation 0.026939 0.171499 0.201534 0.095519
F-statistic 9.290371 1.731421 2.188252 3.123920
Log likelihood 80.12399 15.33926 9.691023 35.82298
Akaike AIC -4.235656 -0.533672 -0.210916 -1.704170
Schwarz SC -3.969025 -0.267041 0.055715 -1.437539
Mean dependent 0.033981 0.026530 0.003175 0.042513
S.D. dependent 0.040131 0.180487 0.218433 0.109425
Determinant Residual Covariance 1.62E-07
Log Likelihood (d.f. adjusted) 25.33149
Akaike Information Criteria 0.266772
Schwarz Criteria 1.599928

Pour nommer cet objet, cliquez sur Name dans le menu. L’estimation du VAR est équivalente à la
régression par les MCO de 5 équations. Ainsi les résultats présentés dans ce tableau peuvent être
considérés comme une compilation de ces 5 régressions.

• Test d’hypothèses sur les résidus

Tous les tests d’hypothèses portant sur les résidus peuvent s’effectuer dans le cadre des modèles VAR.
Ces tests prennent la forme de tests multivariés (test de normalité, test d’autocorrélation, test
d’hétéroscasticité…).

• Détermination de l’ordre du VAR

Pour déterminer l’ordre optimal du VAR, il est possible de calculer les critères d’information pour des
ordres différents puis de retenir l’ordre qui minimise ces critères. Sélectionnez View/Lag
Structure/Lag Lenght Criteria…, puis indiquer l’ordre maximal.

Pour un ordre maximal de 5, on a le résultat suivant :

L’Econométrie avec Eviews/ Support pédagogique 25 MKEHO Y

 VAR Lag Order Selection Criteria
Endogenous variables: DLPIB DLINVP DLINVG DLCRED TIR
Exogenous variables: C
Sample: 1965 2001
Included observations: 31
Lag LogL LR FPE AIC SC HQ
0 8.647976 NA 5.44E-07 -0.235353 -0.004065* -0.159959
1 40.34728 51.12791* 3.62E-07* -0.667566 0.720163 -0.215201
2 56.63398 21.01510 7.28E-07 -0.105418 2.438753 0.723918
3 90.19681 32.48016 6.17E-07 -0.657859 3.042753 0.548448
4 132.9474 27.58102 4.93E-07 -1.803057 3.053996 -0.219779
5 168.8203 11.57191 2.47E-06 -2.504535* 3.508960 -0.544286*

Pour chaque critère le signe (*) indique l’ordre choisi.

a. Test de causalité de Granger

D’une façon générale, les coefficients estimés du VAR ne peuvent être directement interprétés. On
s’intéresse alors à la significativité globale des coefficients associés à une ou un groupe de variables.
C’est l’idée du test de causalité de Granger. La mise en œuvre de ce test n’est pas la même dans le cas
bivarié et dans le cas multivarié.

• Cas bivarié

On s’intéresse à la causalité entre les variables prises deux à deux. L’analyse porte sur l’estimation
d’un VAR à deux variables où l’influence des autres variables n’est pas prise en compte.
Pour réaliser ce test, ouvrez d’abord le groupe de variables (sélection puis clic droit) puis sélectionnez
à partir du menu View/Granger Causality… puis spécifiez le nombre de retards à considérer.
En pratique, cette façon de procéder n’est pas toujours la bonne. En effet, on a supposé que le nombre
de retards optimal pour le VAR multivarié (5 retards) est le même pour tous les modèles bi-variés. Ce
qui n’est pas toujours le cas : l’ordre optimal du VAR à 5 variables n’est pas forcement optimal pour
les VAR à deux variables. Il est plus juste de déterminer les retards pour chaque couple de variables et
d’effecteur le test de causalité à partir de ces retards. On effectue le test par couple de variables et
séparément.

• Cas multivarié

Le test de causalité porte sur les résultats de l’estimation du VAR à 5 variables. Selectionnez
View/Lag Structure/Pairwise Granger Causality Tests.

On obtient les résultats suivants :

L’Econométrie avec Eviews/ Support pédagogique 26 MKEHO Y

 VAR Pairwise Granger Causality/Block Exogeneity Wald
Tests
Sample: 1965 2001
Included observations: 31
Dependent variable: DLPIB
Exclude Chi-sq df Prob.
DLINVP 10.47368 5 0.0629
DLINVG 7.466473 5 0.1882
DLCRED 13.15502 5 0.0220
TIR 16.97801 5 0.0045
All 61.21174 20 0.0000

Pour la variable dépendante LPIB, le tableau donne pour chaque variable la statistique de Wald du test
de nullité simultanée des coefficients associés aux retards. Par exemple, pour la variable LINVP la
statistique de test donne une valeur de 10,47368 et une probabilité supérieure à 5%. L’hypothèse de
non causalité de LPIB par LINVP ne peut donc être rejeté au seuil de 5%. Cependant, au seuil de 7%,
on conclue que l’investissement privé cause le PIB. De même, on note que le crédit au secteur privé et
le taux d’intérêt réel causent chacune le PIB. L’investissement public ne cause pas le PIB.
La dernière ligne du tableau (ALL) donne la statistique du test de la non causalité du bloc constitué
par les quatre variables (LINVP, LINVG, LCRED et TIR). La valeur de la p-value associée à ce test
indique que les quatre variables prises ensemble causent le PIB (rejet de l’hypothèse nulle de non
causalité).

b. Analyse impulsionnelle et décomposition de la variance

L’analyse impulsionnelle permet de simuler les réponses des variables du VAR suite aux chocs
d’innovations sur certaines variables. Sélectionnez View/Impusle Response…

On peut aussi directement cliquer sur l’onglet impulse dans le tableau des estimations.

Dans les deux cas, on obtient l’écran suivant :

Impusles: Indiquez les variables dont on veut générer les innovations (impulses). Il s’agit ici des deux
variables.
Responses : Indiquez quelles sont les variables dont on veut observer les réponses.

Dans l’onglet Impulse Definition, vous pouvez choisir la méthode de factorisation. Par défaut la
méthode de factorisation est celle de Cholesky. Cliquez ensuite sur OK pour valider.

L’Econométrie avec Eviews/ Support pédagogique 27 MKEHO Y

 Response to Cholesky One S.D. Innovations ± 2 S.E.

Resp on se of DLP IB to DLINVG Respo nse of DL INV P to DL INV G

.4
.08

.3
.06

.2
.04

.1
.02

.0
.00

-.1
-.02

-.04 -.2

-.3
-.06
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

L’analyse des variances fournit des informations quant à l’importance relative des innovations dans les
variations de chacune des variables du VAR. Elle nous permet de déterminer dans quelle direction le
choc a le plus d’impact. Pour obtenir la décomposition de la variance, sélectionnez à partir du menu,
View/Variance Decomposition….

Variance Decomposition
of DLPIB:
Period S.E. DLPIB DLINVP DLINVG DLCRED TIR
1 0.019711 100.0000 0.000000 0.000000 0.000000 0.000000
2 0.034535 35.12203 3.846226 9.281383 10.72534 41.02502
3 0.053066 16.82706 2.726572 18.14793 28.90975 33.38868
4 0.062770 16.90854 3.394699 26.39936 21.31893 31.97848
5 0.064288 16.12137 3.236288 25.32039 21.41999 33.90196
6 0.073023 12.90325 10.02766 22.74937 18.71492 35.60480
7 0.074149 13.56969 11.64422 22.07182 18.16875 34.54551
8 0.074822 14.13114 11.61097 21.70058 18.04772 34.50959
9 0.078127 16.48930 10.70883 19.95021 17.07443 35.77723
10 0.081044 20.76882 10.06147 18.79200 16.50438 33.87333

Variance Decomposition
of DLINVP:
Period S.E. DLPIB DLINVP DLINVG DLCRED TIR
1 0.196124 2.955778 97.04422 0.000000 0.000000 0.000000
2 0.261533 3.602835 59.27062 7.996719 12.27946 16.85037
3 0.382250 4.420064 37.58658 15.71020 15.45955 26.82360
4 0.402979 9.821842 34.22660 17.40793 14.00897 24.53466
5 0.407470 9.611020 35.00690 17.08983 13.70188 24.59037
6 0.426958 9.523133 38.28539 16.80411 12.76660 22.62077
7 0.439995 13.16853 36.85657 16.50265 12.14631 21.32594
8 0.443964 13.52620 36.20897 16.53479 12.57071 21.15933
9 0.451368 13.14864 36.87671 16.10409 12.22008 21.65048
10 0.452280 13.15045 36.77239 16.12653 12.24091 21.70972
Cholesky Ordering: DLPIB DLINVP DLINVG DLCRED TIR

c. Test de cointégration de Johansen

Sélectionnez puis ouvrez le groupe de variables. Puis entrez le nombre de retard. Sélectionnez dans le
menu du group View/Cointegration Test…
Le test de Johansen offre la possibilité de choisir entre plusieurs spécifications. L’option 6 fait un
résumé des 5 spécifications proposées par le test. En choisissant celle -ci, on obtient les résultats
suivants :

L’Econométrie avec Eviews/ Support pédagogique 28 MKEHO Y

 Included observations: 35
Series: LPIB LINVP LINVG LCRED TIR
Lags interval: 1 to 1
Data Trend: None None Linear Linear Quadratic
Rank or No Intercept Intercept Intercept Intercept Intercept
No. of CEs No Trend No Trend No Trend Trend Trend

Selected (5% level) Number

of Cointegrating Relations by
Model (columns)
Trace 3 2 1 2 1
Max-Eig 1 1 1 1 1

On peut ainsi lire le nombre de relations de cointégration suivant l’hypothèse faite pour la
spécification du modèle. Par exemple, si on suppose qu’il n’y a aucune tendance dans les séries, la
présence d’un terme constant dans les relations de cointégration conduit à retenir, selon la statistique
de la trace, l’hypothèse de deux relations de cointégration entre les cinq variables au seuil de 5%.La
statistique de la valeur propre maximale (Max-Eig) conduit à une seule relation de cointégration.

9. MODELE D’EQUATIONS SIMULTANEES

Considérons le modèle constitué des deux équations suivantes :

LINVPt =a1+a2LPIBt + a3LINVGt +a4TIRt + a5trend +ηt

LPIBt =b1+b2LINVPt +b3LINVGt +b4 LCREDt +εt

L’estimation des modèles à équations simultanées passe d’abord par une phase d’identification. Pour
qu’une équation structurelle soit identifiée il faut que le nombre d’exogènes exclues de l’équation soit
supérieur ou égal au nombre d’endogènes présentes moins 1. Cette condition est remplie pour les deux
équations ci-dessus. Le modèle est sur-identifié. Nous allons appliquer la méthode des doubles
moindres carrés en utilisant l’ensemble des variables exogènes comme instruments.

Sélectionnez Objet/New Objet/System

Entrez les équations. Les coefficients à défaut sont notés par c(1), c(2) etc. Cependant, on peut utiliser
des coefficients différents d'une équation à une autre. Pour ce faire, sélectionnez Objects/New
Object/Matrix-Vector-Coef/Coefficient Vector et nommez, par exemple, a. Faire de même pour
créer le vecteur b. Précisez les variables instrumentales précédées de la commande instr.

L’Econométrie avec Eviews/ Support pédagogique 29 MKEHO Y

Cliquer sur l’onglet Estimate de l’objet et choisir la méthode des doubles moindres carrés.

Le résultat de l’estimation est donné dans le tableau suivant :

System: EQS
Estimation Method: Two-Stage Least Squares
Sample: 1965 2001
Included observations: 37
Total system (balanced) observations 74
Coefficient Std. Error t-Statistic Prob.
A(1) 6.946766 5.275196 1.316874 0.1925
A(2) -0.773156 0.815548 -0.948020 0.3466
A(3) 0.893924 0.241066 3.708218 0.0004
A(4) -0.008579 0.005191 -1.652509 0.1033
A(5) 0.032363 0.023637 1.369129 0.1757
B(1) 0.443901 0.823881 0.538793 0.5919
B(2) 1.040351 0.273065 3.809902 0.0003
B(3) -0.730402 0.221493 -3.297634 0.0016
B(4) 0.486197 0.067087 7.247211 0.0000
Determinant residual covariance 0.000433
Equation: LINVP=A(1)+A(2)*LPIB+A(3)*LINVG+A(4)*TIR+A(5)
*@TREND(1965)
Instruments: LINVG @TREND(1965) LCRED TIR C
Observations: 37
R-squared 0.617030 Mean dependent var 5.567993
Adjusted R-squared 0.569159 S.D. dependent var 0.412801
S.E. of regression 0.270956 Sum squared resid 2.349352
Durbin-Watson stat 0.582926
Equation: LPIB=B(1)+B(2)*LINVP+B(3)*LINVG+B(4)*LCRED
Instruments: LINVG @TREND(1965) LCRED TIR C
Observations: 37
R-squared 0.674633 Mean dependent var 8.280592
Adjusted R-squared 0.645054 S.D. dependent var 0.363110
S.E. of regression 0.216332 Sum squared resid 1.544378
Durbin-Watson stat 0.622332

L’Econométrie avec Eviews/ Support pédagogique 30 MKEHO Y

On peut également utiliser l’éditeur d’équation (Quick/Estimate Equation)

Dérouler ici
pour choisir
la méthode

Choisisser
TSLS

Entrer ensuite les variables instrumentales et validez.

Reprendre la même procédure pour l’équation de croissance.

10. PREVISION

Au chapitre 3, nous avons estimé une équation d’investissement sur la période 1965-2001. Nous allons
faire des prévisions au delà de l’année 2001, c’est-à-dire pour la période 2002-2005. Pour cela, la taille
du workfile (Range) et celle de l’échantillon (Sample) doivent être étendues. Pour faire ces prévisions
suivez les étapes indiquées ci-après :

• Sélectionner, à partir du menu du workfile, Procs/Change Workfile Range. Changer

la date de fin en entrant 2005 ;
• Pour augmenter le nombre d’observations de l’échantillon, cliquez sur Sample sur la
barre de menu du workfile . Changer la date de fin en 2005 et cliquez sur OK. On peut
constater visiblement ces changements dans le workfile ;
• Ouvrir le groupe des variables explicatives (PIB, INVG, CRED, TIR). Les valeurs
pour 2002-2005 sont marquées par « NA » ;
• Entrer les valeurs pour chacune des variables pour la période 2002-2005 ; Les valeurs
sont données dans le tableau suivant :

Année INVG PIB CRED TIR

2002 200 6500 13800 10
2003 250 6800 14000 5
2004 350 7000 20000 3
2005 450 8000 25000 8

• Retourner à l’équation EQ1 et cliquer sur Forecast. L’écran suivant apparaît :

L’Econométrie avec Eviews/ Support pédagogique 31 MKEHO Y

Bien que le modèle estimé soit spécifié sous la forme logarithmique, il est possible de prévoir
directement les valeurs de la série pour l’horizon temporelle définie. La série des prévisions est
nommée en ajoutant la lettre F (pour Forecast) au nom de la série à prévoir. Ici cette série prend le
nom INVPF. Il est possible de la renommer autrement. La méthode de prévision peut être statique ou
dynamique. La méthode dynamique utilise les valeurs passées de la variable indépendante, soit
INVP(-1) pour former la prévision de la période suivante. Pour la première observation, ces deux
méthodes donnent la même prévision. Le graphique donne l’évolution de la variable INVPF sur toute
la période 1965-2005. Les statistiques figurant à droite du graphique permettent de procéder à une
évaluation de la qualité de la prévision.

La série INVPF apparaît dans le workfile.

L’Econométrie avec Eviews/ Support pédagogique 32 MKEHO Y

11. PROGRAMMATION EVIEWS

EViews donne la possibilité de programmer toutes les manipulatio ns que l’on désire faire.
L’estimation de modèle, le calcul des probabilités critiques, des intervalles de confiance, la résolution
d’équations, … peuvent être effectué par programmation. Toutefois, cela demande que l’utilisateur
soit imprégné des commandes utilisées par le logiciel. L’utilisateur pourra consulter les exemples de
commandes, les syntaxes et leurs applications dans le menu d’aide en ligne.

Pour créer l’éditeur de programme, sélectionnez à partir de la barre de menu, File/New/Program.

Un programme n’est pas un objet-EView. C’est simplement un fichier texte contenant des commandes
d’EViews. Il n’apparaît pas dans le workfile.

a) Générer des séries

Pour générer la série INVT=INVP+INVG, entrez la formule en la faisant précéder de la commande

GENR :

Pour exécuter cette commande, cliquez sur Run. Enregistrez le programme et validez. La variable est
automatiquement créée dans le workfile. Générez les logarithmes des séries et le temps.

b) Estimer une équation par MCO

Pour estimer l’équation d’investissement, tapez à la ligne :

Equation eq1.ls linvp c lpib linvg lcred tir temps

L’objet que l’on veut créer est une équation appelée eq1. ls indique qu’on utilise les mco (least
squares) pour faire la régression.

L’Econométrie avec Eviews/ Support pédagogique 33 MKEHO Y

Une ligne commençant par le symbole ‘ est une ligne de commentaire. Elle est ignorée lors de
l’exécution du programme.

c) Utiliser les statistiques d’une régression pour faire des calculs

• Calculer les t-stat

Pour renvoyer le t-stat du coefficient de LINVG dans l’équation eq12, tapez :

Scalar t_invg=eq12.@tstats(3)

On peut également le calculer directement :

t_invg=eq12.c(3)/eq12.@stderrs(3)’(eq12.c(3)/eq12.@ covariance(3,3)

• Calculer les p-values

Scalar t_invg=eq12.@tstats(3)

Scalar te=@abs(t_invg)
Scalar ddl=eq12.@regobs-eq12.@ncoef (ncoef= nombre de coefficients estimés)
( regobs=nombre d’observations)
p_val_invg=@tdist(te,ddl)

d) Programme d’estimation en cas d’autocorrélation des erreurs

• Méthode de Durbin en deux étapes

Equation eq1.ls linvp c lpib linvg lcred tir temps

Genr res=resid
Scalar rho1=eq1.c(2)
Genr dlinvp1=linvp-rho1*linvp(-1)
Genr dlpib1=lpib-rho1*lpib(-1)
Genr dlinvg1=linvg-rho1*linvg(-1)
Genr dlcred1=lcred-rho1*lcred(-1)
Genr dtir1=tir-rho1*tir(-1)

L’Econométrie avec Eviews/ Support pédagogique 34 MKEHO Y

Genr dtemps1=temps-rho1*temps(-1)
Equation eqd2.ls dlinvp1 c dlpib1 dlinvg1 dlcred1 dtir1 dtemps1
Scalar am=eqd2.c(1)/(1-rho1)

• Méthode itérative de Cochrane -Orcutt

Equation eq1.ls linvp c lpib linvg lcred tir temps

Genr res=resid
For !i=1 to 10 '(on va se fixer 10 itérations)
Equation eq2.ls res c res(-1)
Scalar rho2=eq2.c(2)
Genr dlinvp1=linvp-rho2*linvp(-1)
Genr dlpib1=lpib-rho2*lpib(-1)
Genr dlinvg1=linvg-rho2*linvg(-1)
Genr dlcred1=lcred-rho2*lcred(-1)
Genr dtir1=tir-rho2*tir(-1)
Genr dtemps1=temps-rho2*temps(-1)
Equation eqco.ls dlinvp1 c dlpib1 dlinvg1 dlcred1 dtir1 dtemps1
Scalar am=eqco.c(1)/(1-rho2)
Genr res=linvp- am+eqco.c(2)*lpib+eqco.c(3)*linvg+
eqco.c(4)*lcred+eqco.c(5)*tir+ eqco.c(6)*temps)

Next

f) Test d’hétéroscédasticité de Gleisjer

Nous donnons le programme en notant par z la variable supposée être la cause de l’hétéroscédasticité.

• Programme du test

Equation eq0.ls y c z ‘Régression sur le modèle inital

Genr resa=abs(resid)
Equation eq1.ls resa c z ‘régression de la valeur absolue des résidus sur z
Genr zra=sqr(z)
Equation eq2.ls resa c zra ‘régression sur la racine carrée de z
Genr zinv=1/z
Equation eq3.ls resa c zinv ‘régression sur l’inverse de z
Scalar proba=1
For !i=1 to 3
Scalar te=@abs(eq!i.c(2)/sqr(eq!i.@covariance(2,2)))
Scalar ddl=eq!i.@regobs-eq!i.@ncoef (ncoef= nombre de coefficients estimés)
( regobs=nombre d’observations)
‘On retient la probabilité critique la plus faible et le numéro de
l’équation significative
if @tdist(te,dll)<proba then
proba=@tdist(te,ddl)
scalar ind=!i
endif
next

L’hypothèse d’homoscédasticité est rejetée si les coefficients des spécifications sont significatifs. Dans
le cas contraire (hétéroscédasticité), on retient la forme dont le t-stat est le plus élevé.

L’Econométrie avec Eviews/ Support pédagogique 35 MKEHO Y

 • Procédure de correction de l’hétéroscédasticité

genr pond=1/sqr(z) ‘ne pas oublier que la pondération affecte aussi la constante
genr yp=y*pond
genr zp=x*pond
equation pond1.ls yp zp pond
‘on peut utiliser la commande de la régression pondérée
equation pond.ls(w=pond) y c z

e) Estimation par la méthode des variables instrumentale s: Double

Moindres Carrés

• Test d’exogénéité d’Hausman

Nous allons tester l’exogénéité du PIB dans l’équation d’investissement à l’aide du test d’Hausman.
La programmation suit la procédure de Holly-Sargan.

Smpl 1965 2001 '(ou smpl @all)

'Etape 1: estimation de LPIB sur les variables instrumentales

Equation mcopib.ls lpib c linvg lcred tir lpib(-1) temps

mcopib.makeresid res_pib

'Etape 2: Régression augmentée

equation haus.ls linvp c lpib linvg lcred tir temps res_pib

'Etape3 : test de significativité

scalar te=abs(@tstat(7)) '(=@abs(haus.c(7)/haus.@stderrs(7))

scalar ddl=haus.@regobs-haus.@ncoef
scalar proba=@tdist(te,ddl)
scalar test=0
if proba<0.05 then test=1 "(on rejette la significativité de c(7)
endif

On peut programmer ainsi le test d’exogénéité pour chacune des variables du modèle.

• Double Moindres carrés

Equation eq1.tsls linvp c lpib linvg lcred tir temps @ linvp(-1) linvg
lcred tir

Les variables après le symbole @ sont les variables instrumentales.

f) Calcul matricielle

On veut par exemple calculer les coefficients de régression linéaire à partir de l’expression analytique :

aˆ = ( X ' X ) −1 X 'Y

L’Econométrie avec Eviews/ Support pédagogique 36 MKEHO Y

Sélectionnez les variables explicatives LPIB, LINVG, LCRED, TIR ; et nommez-le par GX.

Tapez dans la zone de commande du programme :

Matrix xpx=@transpose(convert(GX))*@convert(GX)
Matrix xpy=@transpose(@convert(GX))*convert(Y)
Matrix a=@inverse(xpx)*xpy

h) Deux notions de variables importantes en EViews

• Variables de « Contrôle »

Les variables de contrôle sont des variables qui peuvent être utilisées à la place des valeurs
numériques dans un programme d’EViews. Une fois qu’une valeur est assignée à une variable de
contrôle, on peut l’utiliser partout dans le programme en lieu et place de la valeur numérique. Le nom
d’une variable de contrôle commence toujours par la marque "!". Après cette marque, on peut donner
n’importe quel nom acceptable.
Une variable de contrôle ne peut être utilisée sans être préalablement declarée.

Exemples de nom de variables de contrôle : !x=5 !1=8 !pi=3.14159

Les variables de contrôle ne sont pas enregistrées dans le workfile ; elles n’existent uniquement que
dans le programme. Cependant, il est possible de sauver les valeurs numériques des variables de
contrôle en créant de nouveaux objets qui contiendraient ces valeurs.

• Les variables de types « string »

Un string est un texte bouclé par des quotes : ? on rejette l’hypothèse nulle ?. Une variable de type
string est une variable dont les valeurs sont des textes. La déclaration de ces variables se fait en
précédant le nom par le symbole %.

%inv =? investissement privé ? ; %dep= ?LINVP? ; %décision= ?on rejette l’hypothèse nulle ? ;
%pi=?3.14159?.

Une fois assignée une valeur, une variable string peut être utilisée dans les expressions. On a:

LINVP.label %dep

equation eq1.ls %dep c %dep(-1)

Une variable string assignée à un nombre peut être convertie en un nombre à l’aide de la fonction
@val. Par exemple:

%pi=?3.14159?.

!valeur = @val(%pi)

créer une variable de contrôle !valeur=3.14159.

i) Exercice

Ecrire un programme pour les tests de multicolinéarité de Farrar et Glaubert et de Klein.

L’Econométrie avec Eviews/ Support pédagogique 37 MKEHO Y

L’Econométrie avec Eviews/ Support pédagogique 38 MKEHO Y