II.2 estimation du modèle et résultats
II.2.1 Estimation du Modèle
INF = a0 +â1PIB + â2MM+ â3DMD+
â4PIM+åt
La méthode des moindres carrés Ordinaires (MCO)
a été utilisée pour l'estimation du modèle. Ce qui
nous conduit à vérifier d'abord la stationnarité des
variables retenues dans le modèle.
En effet la stationnarité signifie que le degré
de relation entre deux termes d'une série dépend uniquement de
l'intervalle temporel entre eux et non du temps. Les séries non
stationnaires subissent grandement l'influence du temps, et l'estimation d'une
série intégrée sur une autre série
intégrée de même ordre conduit à ce que l'on appelle
« la régression fallacieuse ». C'est pourquoi, il
est toujours nécessaire, lorsque l'étude porte sur des
séries chronologiques, de s'assurer avant toute estimation par les MCO,
que les variables sont stationnaires. Les deux tests les plus utilisés
sont ceux de Dickey-Fuller Augmented (ADF) et de Philps-Perron (PP)
II.2.1.1TEST DE STATIONNARITE DES VARIABLES
|
Variable
|
En niveau
|
Différence première
|
En différence deuxième
|
|
|
Valeur calculé
|
Valeur théorique
|
Valeur calculé
|
Valeur théorique
|
Valeur calculé
|
Valeur théorique
|
|
|
TINF
|
-0.94
|
-1.96
|
-8.54
|
-1.96
|
-12.63
|
-1.96
|
I(1)
|
|
TCMM
|
-0.11
|
-1.96
|
-8.50
|
-1.96
|
-10.70
|
-1.96
|
I(1)
|
|
TCPIB
|
-3.72
|
-1.96
|
-6.73
|
-1.96
|
-8.83
|
-1.96
|
I(0)
|
|
TCPIM
|
-4.32
|
-1.96
|
-7.59
|
-1.96
|
-9.77
|
-1.96
|
I(0)
|
|
TCDMD
|
-1.33
|
-1.96
|
-9.04
|
-1.96
|
-6.85
|
-1.96
|
I(1)
|
Les valeurs ADF (TINF, TCMM et TCDMD) sont supérieures
aux valeurs critiques (CV) on en déduit que ces variables sont non
stationnaire à niveau au seuil de 5%, elles subissent donc l'influence
du temps. Alors que les variables TCPIB et TCPIM sont stationnaires à
niveau, en expliquant les techniques habituelles d'estimation (MCO), nous
serons confrontés aux problèmes de régression fallacieuse.
Pour éviter ces problèmes, il faut rendre les séries
stationnaires.
Pour rendre une série stationnaire, il faut stabiliser
sa variance et sa moyenne. La stabilisation de la variance se fait par une
transformation logarithmique et celle de la moyenne se fait par
différence première.
Ainsi nous avons
INFL= Log(INF)
MM= log(MM)
PIB = log(PIB)
DMD= log(DMD)
PIM = Log(PIM)
Les résultats du test de stationnarité de ces
nouvelles variables sont consignés dans le tableau suivant:
|
Variable
|
En niveau
|
Différence première
|
En différence deuxième
|
|
|
Valeur calculé
|
Valeur théorique
|
Valeur calculé
|
Valeur théorique
|
Valeur calculé
|
Valeur théorique
|
|
|
TINF
|
-0.94
|
-1.96
|
-8.54
|
-1.96
|
-12.63
|
-1.96
|
I(1)
|
|
TCMM
|
-0.11
|
-1.96
|
-8.50
|
-1.96
|
-10.70
|
-1.96
|
I(1)
|
|
TCPIB
|
-3.72
|
-1.96
|
-6.73
|
-1.96
|
-8.83
|
-1.96
|
I(0)
|
|
TCPIM
|
-4.32
|
-1.96
|
-7.59
|
-1.96
|
-9.77
|
-1.96
|
I(0)
|
|
TCDMD
|
-1.33
|
-1.96
|
-9.04
|
-1.96
|
-6.85
|
-1.96
|
I(1)
|
Les valeurs ADF sont toutes inferieures aux valeurs critiques
(CV) on peut donc conclure que toutes ces nouvelles variables sont
stationnaires au seuil de 5%.
Apres avoir rendu stationnaires les série, nous allons
faire la régression. Le modèle à estimer est :
Log(INF) = a0 +â1log(PIB) + â2 log (MM)+ â3
log (DMD)+ â4 log (PIM)+åt
L'estimation de ce modèle nous donne l'équation
suivante
Log(INF) = -0.72 - 0.07*log(PIB) + 0.74*log (MM)
+0.03*log(DMD) +0.18*log (PIM)
  =66%   = 54% p
=0.011133 DW = 2.760257 N 32
Eu égard au coefficient de déterminant
ajusté  
nous pouvons dire que 54 % des fluctuations des prix sont expliquées par
le modèle.
| 
