1.3. Estimation du modèle VAR
A- Sélection du
modèle optimal
En se référant aux résultats de
causalité, on peut se permettre d'exclure la variable DPIBI de la
représentation VAR. Néanmoins, comme il est recommandé en
cas de choix entre plusieurs modèles, on s'est
référé aux critères d'information ; ainsi
avons-nous estimé le modèle VAR avec la variable DL_PIBI et le
modèle VAR sans ladite variable. Dans chacun des cas, nous avons
distingué les sous cas avec constante et sans constante. Les
résultats des critères d'informations se trouvent dans le tableau
ci après :
Tableau 5: Choix du
modèle optimal
|
CRITERE D'INFORMATION
|
MODELE AVEC LA VARIABLE DL_PIBI
|
MODELE SANS LA VARIABLE DL_PIBI
|
|
Constante
|
Sans constante
|
Constante
|
Sans constante
|
|
AIC
|
-12,1
|
-11,25
|
-11,49
|
-10,84
|
|
SC
|
-11,25
|
-10,58
|
-10,98
|
- 10,46
|
Source : Résultat des travaux
On retient donc un modèle VAR avec les quatre variables
avec constante. Les autres modèles se trouvent en annexe de ce
document.
B- Modèle VAR
Le modèle estimé se trouve dans le tableau ci
après.
Tableau 6 :
Représentation du modèle VAR
|
DL_PIBH
|
DL_PIBA
|
DL_PIBI
|
DL_PIBS
|
|
DL_PIBH (-1)
|
-0.547219
|
-0.230648
|
1.094120
|
-0.391367
|
|
(0.34411)
|
(0.73974)
|
(2.30569)
|
(0.60164)
|
|
(-1.59027)
|
(-0.31179)
|
(0.47453)
|
(-0.65050)
|
|
|
|
|
|
|
DL_PIBA (-1)
|
0.320166
|
-0.137282
|
-0.112787
|
0.398734
|
|
(0.12738)
|
(0.27383)
|
(0.85348)
|
(0.18975)
|
|
(2.51356)
|
(-0.50135)
|
(-0.13215)
|
(2.10137)
|
|
|
|
|
|
|
DL_PIBI(-1)
|
0.016312
|
0.020394
|
0.079658
|
-0.014641
|
|
(0.02821)
|
(0.06065)
|
(0.18905)
|
(0.04933)
|
|
(0.57816)
|
(0.33624)
|
(0.42136)
|
(-0.29680)
|
|
|
|
|
|
|
DL_PIBS(-1)
|
0.386359
|
-0.159775
|
-0.654035
|
0.375291
|
|
(0.19512)
|
(0.44636)
|
(1.39126)
|
(0.36303)
|
|
(1.98016)
|
(-0.35795)
|
(-0.47010)
|
(1.03377)
|
|
|
|
|
|
|
C
|
-0.013444
|
0.047952
|
0.077232
|
0.008016
|
|
(0.01046)
|
(0.02249)
|
(0.07009)
|
(0.01829)
|
|
(-1.28515)
|
(2.13230)
|
(1.10185)
|
(0.43829)
|
Source : Résultat des
travaux
NB: Les coefficients en gras sont significatifs
au seuil de 5%.
Le tableau précédent présente les quatre
équations du modèle VAR. Chaque paramètre comporte trois
valeurs : la première est la valeur du coefficient, la
deuxième celle de l'écart type et la dernière est la
valeur du t-student.
L'analyse des résultats de causalité à la
Granger nous permet de nous fonder beaucoup plus sur l'équation (1) et
l'équation (4) du modèle. En effet aucune des variables
étudiées ne cause le PIB agricole et le PIB industriel donc
l'interprétation de l'équation(2) et (3) serait donc hasardeuse.
Dans l'équation (1), on a pu observer une influence
positive des performances des secteurs agricole et services retardées
d'une période sur le niveau de vie de la population Béninoise.
Dans l'équation (4) les performances du secteur service au cours d'une
année sont influencées positivement par celles obtenues dans le
secteur agricole à l'année antérieure. L'hypothèse
n° 1 est aussi validée en partie.
Une analyse détaillée serait faite après
les tests de validation du modèle.
| 
