2-3- Estimation du modèle VAR :
Après avoir stationnariser les variables, nous
construisons un modèle VAR (Vector Auto Regressive). Ces modèles
permettent, d'une part, d'analyser les effets d'une variable sur l'autre au
travers de simulations de chocs aléatoires.
Ce qui nous intéresse en fait, c'est
l'évaluation des mécanismes de propagation des chocs sur les
différents variables de la Tunisie. Pour cela nous allons commencer par
présenter les moyens d'analyse choisis pour évaluer les
mécanismes de transmission des chocs avant de passer à l'analyse
des résultats empiriques obtenus pour ce pays.
La première étape consiste à
déterminer l'ordre `p' du processus VAR à retenir. A cette fin,
nous avons estimé divers processus VAR pour des ordres de retards `p'
allant de 1 à 3.
Tableau 5 : choix du nombre de retard ` p ' :
L'ordre du VAR
|
1
|
2
|
3
|
AIC
|
-1.752
|
0.251
|
1.304
|
SC
|
-0.419
|
2.720
|
4.932
|
Le tableau 5 reporte les résultats obtenus. On constate
que les deux critères nous conduisent à retenir un processus
VAR(1) (voir annexe IV).
L'estimation du processus VAR(1) est reportée dans le
tableau 6 :
Tableau 6 : estimation du modèle VAR(1) :
|
D(LINF)
|
D(LPP)
|
D(IMEX)
|
D(LPPIMP)
|
D(LPPEXP)
|
D(LINF(-1))
|
-0.673783
|
0.146250
|
-0.044063
|
0.020177
|
0.042643
|
[-8.26944]
|
[ 1.29299]
|
[-1.20481]
|
[ 0.21659]
|
[ 0.62678]
|
D(LPP(-1))
|
0.556400
|
0.116582
|
-0.056557
|
0.132894
|
0.217385
|
[ 3.06450]
|
[ 0.46254]
|
[-0.69397]
|
[ 0.64020]
|
[ 1.43390]
|
D(IMEX(-1))
|
-1.461713
|
-0.076578
|
-0.199980
|
0.617312
|
0.663078
|
[-3.07737]
|
[-0.11614]
|
[-0.93797]
|
[ 1.13673]
|
[ 1.67186]
|
D(LPPIMP(-1))
|
0.343766
|
-0.051400
|
-0.028818
|
-0.558920
|
-0.334210
|
[ 1.26291]
|
[-0.13603]
|
[-0.23586]
|
[-1.79595]
|
[-1.47043]
|
D(LPPEXP(-1))
|
-1.260647
|
-0.139653
|
0.235840
|
0.212745
|
0.040447
|
[-3.73782]
|
[-0.29828]
|
[ 1.55785]
|
[ 0.55172]
|
[ 0.14363]
|
C
|
-0.093508
|
0.077769
|
0.038896
|
0.007921
|
-0.068061
|
[-1.98000]
|
[ 1.18622]
|
[ 1.83488]
|
[ 0.14670]
|
[-1.72596]
|
- Notons que les valeurs indiquées en gras sont
significatives.
L'observation de nos résultats d'estimation VAR montre
que toutes les variables du modèle autre que l'inflation ne
dépendent d'aucune variable retenue dans notre modèle puisque les
coefficients sont non significatifs.
Ce qui nous intéresse en fait dans cette estimation du
modèle VAR(1) c'est d'exprimer l'inflation en fonction des autres
variables du modèle. Les résultats indiquent que le taux
d'inflation dépend négativement de son taux passé, ce qui
est expliqué par la tendance à la baisse de l'inflation
tunisienne. Il dépend positivement du prix du pétrole
décalé d'une période, ce qui affirme et renforce notre
supposition.
Egalement, le taux d'inflation dépend
négativement de la balance commerciale du pétrole et de la part
du pétrole dans l'exportation retardé d'une période. Ce
dernier résultat peut être mieux expliqué à l'aide
des fonctions de réponses impultionnelles et la décomposition de
la variance.
|