IV-1- Choix et ordre des variables
Nous essayons d'analyser si l'évolution du
système financier en Tunisie a entraîné une modification
majeure des canaux de transmission de la politique monétaire. Pour cela,
la période qui nous considérons, à savoir 1975-2006, a
été divisée en deux périodes, en retenant la date
de 1989 pour le début de la mutation financière en Tunisie. Le
modèle que nous estimons, pour chaque sous période, est un VAR
standard comportant cinq variables qui se présentent dans l'ordre
suivant :
- le taux d'intérêt (taux d'escompte pour la
première période et le TMM pour la seconde).
- Une variable monétaire : (lM2) le logarithme de
l'agrégat M2.
- Une variable correspondant au canal du crédit :
(lCD) le logarithme du crédit accordé à
l'économie.
- Une variable correspondant au canal du taux de change
(Tcre) taux de change effectif réel.
- Une variable représentative de l'activité
réelle : (LIPI) l'indice de production industrielle.
Les séries temporelles doivent être
filtré par le logarithme pour les rendre stationnaire en variance.
Dans une étude similaire, portant sur la politique
monétaire en France, Goux (1998) a retenu le même type de
séries, la seule différence résidant dans le choix de la
variable taux d'intérêt et la variable tcre.
Nous adoptons, pour notre modèle VAR, l'ordre
présenté ci-dessus des variables. Ceci suppose que la politique
monétaire (choix du taux d'intérêt) soit exogène par
rapport aux autres variables simultanées.
Le choix de cet ordre se justifie par le fait que les
autorités monétaires fixent leur taux d'intérêt
indépendamment des valeurs simultanées des autres variables
économiques. En effet, bien que les autorités monétaires
réagissent aux variables de l'économie pour fixer leur taux
d'intérêt, elles se réfèrent
généralement aux valeurs retardées déjà
publiées car elles ne connaissent pas les variables simultanées
au moment de leur décision.
IV-2- L'estimation
L'estimation est effectuée sur des séries
mensuelles de Janvier 1975 à décembre 1988 et de janvier 1989
à décembre 2006. Les tests de Duckey & Fuller
augmentés sur les séries mensuelles sur les deux sous
périodes considérées montrent que toutes les variables
sont I (1).
L'estimation du modèle nécessite qu'on
détermine à priori le nombre du retard à inclure. Ainsi,
pour déterminer le nombre de retard optimal de ce vecteur
autorégressif nous pouvons utiliser les deux critères
d'information AIC et Schwarz.
Tableau .5. Test sur le nombre de retard pour
la première sous période
Critére/Retard
|
1
|
2
|
3
|
4
|
AIC
|
-18.79665
|
-18.81859
|
-18.66289
|
-18.39405
|
Schwarz
|
-18.23653
|
-17.78751
|
-17.15697
|
-16.40938
|
Tableau .6. Test sur le nombre de retard pour
la deuxième sous période
Critére/Retard
|
1
|
2
|
3
|
4
|
AIC
|
-25.43006
|
-25.43285
|
-25.44162
|
-25.33947
|
Schwarz
|
-24.81135
|
-24.29329
|
-23.77637
|
-23.14359
|
On s'aperçoit que le nombre de retard choisi par les
critères est de un pour les deux périodes.
IV-3- Test de cointegration
Afin de tester le nombre de relations de
cointégration dans ce système à cinq variables nous nous
référons aux travaux de Johensen et Jeselius (1990). Ces derniers
proposent deux types de tests : le test de la Trace et le test de la valeur
propre maximale ( max).
Le test de trace permet de tester la présence de r
relations de cointgration contre l'hypothèse alternative d'absence de
relation de cointégration.
La statistique utilisé est Trace(r) =
Le test de lambda maximum permet de tester la
présence de r relations de cointegration contre l'hypothèse
alternative de r-1 relations de cointegration.
Le statistique employée est alors :
Les lois suivies par ces deux statistiques ont
été simulées par Osterwald-Leunum(1991).
Dans ce type de procédures le choix d'introduire
ou non des composantes déterministes dans le vecteur de
cointégration est assez compliqué. En effet, la mauvaise
identification de la relation de long terme peut conduire à des
conclusions erronées sur la nature de la dynamique qui
caractérise le mouvement des différentes variables. Ainsi, un
exercice préliminaire consiste à identifier le modèle
sous-jacent. A ce sujet, Johansen (1992) a développé une
procédure séquentielle pour identifier le vrai modèle.
Tableau .7. Tests de trace et ëmax pour la
deuxième sous période
Trace Test Test
|
Hypothèse nulle r=0 r r r r = 4 r=0 r=1 r=2 r=3
r=4
Hypothèse alternative r r r r=4 r=5 r=1 r=2 r=3
r=4 r=5
Valeur Statistique 154.6923 50.02836 29.30883
16.71198 5.461619 104.6639 20.71953 12.59685 11.2536 5.461619
Valeur critique au 5% 76.07 53.12 34.91
19.96 9.24 34.40 28.14 22.00 15.67
9.24
Nombre de relation de
Cointégration
1
1
|
Tableau .8. Tests de trace et ëmax pour la
deuxième sous période
Trace Test Test
|
Hypothèse nulle r=0 r r r r = 4 r=0 r=1 r=2 r=3
r=4
Hypothèse alternative r r r r4 r=5 r=1 r=2 r=3
r=4 r=5
Valeur Statistique 75.53177 44.59662 23.38925
10.89514 1.080686 30.93516 21.20737 12.49410 9.814455 1.080686
Valeur critique au 5% 68.52 47.21 29.68
15.41 3.76 33.46 27.07 20.97 14.07
3.76
Nombre de relation de 1
1
cointégration
|
Les tests de cointégration de johansen montrent
que les séries sont coïntégrées au seuil de 5% pour
les deux périodes considérées.
En raison de l'existence d'une relation de
cointégration le VAR va être estimé sous une forme de
correction d'erreur, VECM.
IV-4- Décomposition de la
variance
Partant de la décomposition des résidus des
innovations, on peut calculer quelle est la contribution de chaque innovation
à la variance totale de l'erreur de prévision du processus
Xt. C'est ce que l'on appelle la décomposition de la
variance.
On considère le processusavecsatisfaisant la représentation VAR(p) suivante t Z :
On suppose que les innovations sont iid et Xt peut être transformé sous la forme d'un
VMA ().
Avec l'erreur de prévision à l'horizon k qui peut être
exprime comme suit :
Pour obtenir une décomposition de la variance du
vecteur, il suffit de réprimer cette matrice de variance covariance sous
la combinaison linéaire de la matrice variance des innovations
orthogonales Vt.
.
où la matrice A est issue de l'orthogonalisation
=ADA
On suppose que:
Où ai désigne la
ième colonne de la matrice A. Délors :
En substituant cette expression dans la variance de
prévision pour un horizon k, on obtient le moment de second ordre en
fonction de la variance des innovations orthogonales.
A partir de cette formule, on est en mesure de calculer
la contribution de innovation « pure » Vjt de la
variance totale de prévision à un horizon k.
Décomposition de la variance pour la
période 1988 ; 1 1988 ; 6
Décomposition de la variance du LIPI:
|
|
|
|
|
|
|
Période
|
S.E.
|
LIPI
|
LM2
|
LCD
|
TCRE
|
TMM
|
1
|
0.030536
|
100.0000
|
0.000000
|
0.000000
|
0.000000
|
0.000000
|
2
|
0.042616
|
97.13117
|
1.260064
|
0.131542
|
1.400188
|
0.077036
|
3
|
0.051634
|
96.83711
|
1.113745
|
0.111512
|
1.859399
|
0.078234
|
4
|
0.059279
|
96.43366
|
1.174619
|
0.111748
|
2.201943
|
0.078029
|
5
|
0.066020
|
96.27532
|
1.132475
|
0.116148
|
2.401419
|
0.074643
|
6
|
0.072111
|
96.13259
|
1.104970
|
0.126099
|
2.564998
|
0.071342
|
Décomposition de la variance du LM2:
|
|
|
|
|
|
|
Période
|
S.E.
|
LIPI
|
LM2
|
LCD
|
TCRE
|
TMM
|
1
|
0.022933
|
1.180049
|
98.81995
|
0.000000
|
0.000000
|
0.000000
|
2
|
0.027114
|
0.861269
|
96.59968
|
0.018091
|
2.470664
|
0.050296
|
3
|
0.032723
|
0.592108
|
96.66447
|
0.013187
|
2.695470
|
0.034768
|
4
|
0.037063
|
0.468917
|
96.18662
|
0.049390
|
3.267673
|
0.027404
|
5
|
0.041448
|
0.384013
|
95.92816
|
0.101818
|
3.559012
|
0.026994
|
6
|
0.045535
|
0.336709
|
95.57804
|
0.188171
|
3.865578
|
0.031504
|
Décomposition de la variance du LCD:
|
|
|
|
|
|
|
Période
|
S.E.
|
LIPI
|
LM2
|
LCD
|
TCRE
|
TMM
|
1
|
0.020851
|
0.037954
|
29.83322
|
70.12883
|
0.000000
|
0.000000
|
2
|
0.026581
|
0.026064
|
19.07395
|
79.63783
|
1.246227
|
0.015929
|
3
|
0.031831
|
0.031864
|
17.90231
|
80.71879
|
1.264407
|
0.082627
|
4
|
0.035902
|
0.026210
|
16.58824
|
81.65112
|
1.611300
|
0.123129
|
5
|
0.039635
|
0.024423
|
16.66616
|
81.28338
|
1.844763
|
0.181282
|
6
|
0.042952
|
0.032293
|
16.97554
|
80.61492
|
2.134058
|
0.243192
|
Décomposition de la variance du TCRE:
|
|
|
|
|
|
|
Période
|
S.E.
|
LIPI
|
LM2
|
LCD
|
TCRE
|
TMM
|
1
|
2.145711
|
0.883018
|
0.418583
|
0.525890
|
98.17251
|
0.000000
|
2
|
3.339794
|
2.534187
|
0.264691
|
2.262206
|
94.92337
|
0.015548
|
3
|
4.197135
|
2.877129
|
0.208996
|
3.038344
|
93.83897
|
0.036561
|
4
|
4.904938
|
3.005684
|
0.213775
|
3.430714
|
93.30751
|
0.042314
|
5
|
5.518960
|
3.061319
|
0.224094
|
3.716131
|
92.95493
|
0.043524
|
6
|
6.069500
|
3.084927
|
0.246837
|
3.946609
|
92.67909
|
0.042533
|
Décomposition de la variance du TMM:
|
|
|
|
|
|
|
Période
|
S.E.
|
LIPI
|
LM2
|
LCD
|
TCRE
|
TMM
|
1
|
0.002045
|
0.244943
|
1.252686
|
0.013555
|
0.139241
|
98.34957
|
2
|
0.002923
|
0.121335
|
4.920412
|
0.199035
|
0.830307
|
93.92891
|
3
|
0.003555
|
0.085953
|
5.087007
|
0.274023
|
0.918807
|
93.63421
|
4
|
0.004096
|
0.065386
|
5.388602
|
0.283376
|
1.020177
|
93.24246
|
5
|
0.004568
|
0.053006
|
5.430594
|
0.283818
|
1.081812
|
93.15077
|
6
|
0.004994
|
0.044404
|
5.454690
|
0.275830
|
1.139676
|
93.08540
|
Décomposition de la variance pour la
période 2006 ; 1 2006 ; 6
Décomposition de la variance du LIPI:
|
|
|
|
|
|
|
Period
|
S.E.
|
LIPI
|
LM2
|
LCD
|
TCRE
|
TMM
|
1
|
0.045299
|
100.0000
|
0.000000
|
0.000000
|
0.000000
|
0.000000
|
2
|
0.051333
|
98.12956
|
0.571892
|
0.905287
|
0.051292
|
0.341974
|
3
|
0.059173
|
97.26511
|
0.486365
|
1.928560
|
0.046520
|
0.273445
|
4
|
0.064743
|
95.86585
|
0.515013
|
3.292006
|
0.045071
|
0.282063
|
5
|
0.070019
|
94.82165
|
0.499556
|
4.398861
|
0.038652
|
0.241281
|
6
|
0.074791
|
93.78291
|
0.492742
|
5.469804
|
0.034568
|
0.219978
|
Décomposition de la variance du LM2:
|
|
|
|
|
|
|
Period
|
S.E.
|
LIPI
|
LM2
|
LCD
|
TCRE
|
TMM
|
1
|
0.023442
|
1.326610
|
98.67339
|
0.000000
|
0.000000
|
0.000000
|
2
|
0.031210
|
1.540114
|
96.89166
|
0.616438
|
0.819866
|
0.131926
|
3
|
0.037701
|
2.063722
|
96.14294
|
0.888450
|
0.803305
|
0.101584
|
4
|
0.043132
|
2.203796
|
95.78734
|
1.025017
|
0.863854
|
0.119994
|
5
|
0.047987
|
2.351639
|
95.51539
|
1.140619
|
0.878907
|
0.113450
|
6
|
0.052388
|
2.449275
|
95.31867
|
1.217657
|
0.897301
|
0.117096
|
Décomposition de la variance du LCD:
|
|
|
|
|
|
|
Period
|
S.E.
|
LIPI
|
LM2
|
LCD
|
TCRE
|
TMM
|
1
|
0.056867
|
0.017433
|
33.52932
|
66.45325
|
0.000000
|
0.000000
|
2
|
0.072191
|
0.015173
|
38.01259
|
61.82018
|
0.000912
|
0.151151
|
3
|
0.082974
|
1.498532
|
42.22895
|
56.08139
|
0.001642
|
0.189478
|
4
|
0.092098
|
2.834027
|
45.89671
|
50.92472
|
0.007069
|
0.337474
|
5
|
0.100233
|
4.440501
|
48.63056
|
46.51086
|
0.008307
|
0.409779
|
6
|
0.107763
|
5.868638
|
50.75814
|
42.85906
|
0.010964
|
0.503205
|
Décomposition de la variance du TCRE:
|
|
|
|
|
|
|
Period
|
S.E.
|
LIPI
|
LM2
|
LCD
|
TCRE
|
TMM
|
1
|
0.009682
|
0.345677
|
0.041451
|
1.386898
|
98.22597
|
0.000000
|
2
|
0.012865
|
1.006687
|
0.047866
|
1.107698
|
97.83770
|
5.11E-05
|
3
|
0.015489
|
0.794051
|
0.034795
|
1.403528
|
97.76734
|
0.000282
|
4
|
0.017716
|
0.676684
|
0.034010
|
1.708629
|
97.57744
|
0.003237
|
5
|
0.019708
|
0.572706
|
0.032990
|
1.990119
|
97.40008
|
0.004103
|
6
|
0.021515
|
0.497465
|
0.033372
|
2.224739
|
97.23842
|
0.006002
|
Décomposition de la variance du TMM:
|
|
|
|
|
|
|
Period
|
S.E.
|
LIPI
|
LM2
|
LCD
|
TCRE
|
TMM
|
1
|
0.003984
|
0.331170
|
0.817799
|
0.663293
|
1.511440
|
96.67630
|
2
|
0.004449
|
0.645535
|
0.852113
|
0.546885
|
1.234524
|
96.72094
|
3
|
0.005321
|
0.453637
|
0.942525
|
0.736462
|
1.105654
|
96.76172
|
4
|
0.005871
|
0.575671
|
0.954128
|
0.738785
|
1.001563
|
96.72985
|
5
|
0.006449
|
0.517678
|
1.000577
|
0.840393
|
0.935261
|
96.70609
|
6
|
0.006950
|
0.555720
|
1.015235
|
0.902219
|
0.887514
|
96.63931
|
Ces tableaux indiquent pour chaque variable la proportion
de la variance de l'erreur de prévision, attribuable à une
innovation d'une autre variable.
Quand une innovation explique une part de la variance de
l'erreur de prévision, on peut en déduire que notre
économie est très sensible aux chocs affectant cette
série.
|