Impact des Technologies de l'Information et de la Communication (TIC) sur le tissu productif des biens et services au Maroc( Télécharger le fichier original )par Ghynel NGASSI NGAKEGNI INSEA Rabat - Ingenieur d'Etat en Statistique et Economie (Majeur: Statistique) 2010 |
II.2. Formulation du modèleCette partie portera donc sur la modélisation du nombre de lignes téléphoniques pour 100 habitants en utilisant les variables retenues, le modèle qu'on cherche à estimer est donc sous la forme suivante : Où : Tx_Ch : Taux de chômage Dép_Educ : Dépense dans l'éducation : PIB_Hab : PIB par habitant Tx_Insc_ET : Taux d'inscription aux études supérieures Taille_Pop_Urb : Taille de la population urbaine II.3. L'estimation par la méthode de JohansenNous allons essayer dans cette partie de chercher une estimation du modèle (*) en utilisant la méthode de Johansen. Cette méthode est utilisée pour identifier et estimer un ou plusieurs vecteurs de cointégration. Cela conduit à l'estimation d'un VAR (Vector Auto Regressive model) de rang réduit (le nombre de relation de cointégration est arrêté) et dont la dynamique de court terme n'est pas contrainte. Les étapes que nous allons suivre dans notre démarche sont les suivantes : · Détermination du nombre de retards de la représentation VAR. · Test de cointégration et détermination de la relation de long terme. · Estimation du modèle à correction d'erreur. II.3.1. Détermination du nombre de retards
La première étape de notre démarche consiste à déterminer le nombre de retards de la représentation VAR. Le choix du nombre de retards à retenir dans le modèle a une importance particulière puisque, d'une part, ce dernier influence les résultats des estimations et, d'autre part, il est préférable d'avoir un nombre petit de retard dans le cas d'un échantillon de taille réduite. Pour le choix donc du p max alors on doit prendre en considération les auto-corrélations significativement différentes de zéro et aussi tenir compte de la taille de l'échantillon donc : p (max) = 3. Les estimations VAR pour p= 1, 2 ,3 nous permettent d'obtenir le tableau suivant pour les critères AIC et BIC (Résultats de l'estimation en annexe). Tableau 25 : Valeurs des critères AIC et BIC après estimation des modèles VAR.
On constate qu'à partir de p=3, Eviews ne calcule plus les critères pour l'ensemble du modèle compte tenu de la taille de notre échantillon (26 observations). On constate que le minimum pour les deux critères ; Schwarz et Akaike correspond à p= 2, on optera donc ici un modèle de retard p=2. Nous allons ainsi pouvoir procéder au test de Johansen sur un modèle VAR(1). II.3.2. Test de cointégration et détermination de la relation de long terme Pour effectuer le test de Johansen, il est nécessaire de préciser les spécifications à retenir: · Absence ou présence de constante dans le modèle VECM. · Absence ou présence de constante et de tendance dans les relations dans les relations de cointégration. Nous effectuons ici le test de Johansen en supposant : · L'existence d'une constante dans la relation de long terme et non dans les données (pas de constante dans le modèle à correction d'erreur) · L'existence d'une constante dans la relation de long terme et aussi dans les données (présence d'une constante dans le modèle à correction). Tableau 26 : Test de la trace1 (Constante dans la relation de cointégration mais pas dans le VECM).
· Il ya cointégration car l'hypothèse nulle d'absence de cointégration a été rejetée (178.44> 103.84) au seuil de 5%. · L'hypothèse nulle selon laquelle il ya 4 relations de cointégration a été acceptée car 17.94<20.26. · L'hypothèse nulle selon laquelle il ya au plus 5 relations de cointégration a été aussi acceptée mais il ya que 4 relations de cointégration car la première hypothèse nulle selon laquelle il ya au plus 4 relations de cointégration a été acceptée. Tableau 27 : Test de la trace2 (Constante dans la relation de cointégration et dans le VECM).
· Il ya cointégration car l'hypothèse nulle d'absence de cointégration a été rejetée (159.35> 95.75) au seuil de 5%. · L'hypothèse nulle selon laquelle il ya 4 relations de cointégration a été acceptée car 13.35<15.49. · L'hypothèse nulle selon laquelle il ya au plus 5 relations de cointégration a été aussi acceptée mais il ya que 4 relations de cointégration car la première hypothèse nulle selon laquelle il ya au plus 4 relations de cointégration a été acceptée. On constate alors que pour toutes les spécifications (variantes avec-sans constantes), on a 4 relations de cointégration sur le long terme. Identification des relations de cointégration Les relations de cointégration pour les différentes spécifications (constante dans la relation de cointégration mais pas dans le modèle VECM) et (constante dans la relation de cointégration et dans le modèle VECM) sont présentés en Annexe II. L'existence de la cointégration entre les variables, nous a permis donc de procéder à la recherche de 4 relations de cointégration. Cependant, l'objectif de l'étude n'étant pas d'explorer le nombre de relations de cointégration entre les variables, nous nous intéresserons particulièrement au vecteur unique de cointégration qui prend en compte la variable endogène. II.3.3. Détermination de la relation de long terme et Estimation du Modèle Estimations du modèle VECM(1)17(*) Le modèle est estimé avec ces différentes spécifications (constante dans la relation de cointégration mais pas dans le modèle VECM) et (constante dans la relation de cointégration et dans le modèle VECM).Les résultats présentés en Annexe II nous permettent de constater que la constante dans le modèle VECM n'est pas significativement différent de 0.On retient par conséquent un modèle VECM sans constante. Le test de cointégration nous a permis d'identifier les équations de long terme dont : Tableau 28 : Test de cointégration.
Nous retenons comme équation du modèle, l'équation suivante : Avec : a1=-0.002605 a2=-0.000114 a3=-0.043858 a4=0.000166 CE1= NB_100_HAB(-1) + 8.184148* TX_CH(-1) +52.54643* TX_INSC_ET(-1)-611.3254 CE2= PIB__HAB(-1) + 20606.89* TX_CH(-1) + 127395.9* TX_INSC_ET(-1)-1489306 CE3= DEP_EDUC(-1) -0.319348* TX_CH(-1)-2.081328* TX_INSC_ET(-1) +17.53425 CE4= TAILLE_POP_URB(-1) +14335.72* TX_CH(-1)+ 90046.34* TX_INSC_ET(-1) -1056816 De façon explicite, le modèle s'écrit sous la forme suivante : Tableau 29 : Récapitulatif des résultats de l'estimation du modèle à correction d'erreur.
Il découle de ces tableaux que: En considérant notre variable endogène (NB_100_HAB) pour la dynamique de long terme, les variables taux de chômage et taux d'inscription aux études supérieures sont significatives au seuil de 5%, mais le TH_CH n'a pas le signe attendu. Et pour la dynamique de court terme, seule la variable dépenses dans l'éducation est également significative mais n'a pas le signe attendu. Le coefficient de détermination du MCE indique que 66% de l'évolution du nombre de lignes téléphoniques pour 100 habitants sont expliquées par les variables du modèle et presque la moitié des signes sont conformes aux signes attendus du modèle. Le test de Fisher prouve que le modèle à correction d'erreur est globalement significatif. Quant au test de Student, il a permis d'identifier les variables statistiquement significatives (celles dont les probabilités sont inférieures à 5%). L'utilisation du modèle à correction d'erreur est justifiée par le signe négatif d'au moins d'un des termes à correction d'erreur (paramètres d'ajustement). Analyse et interprétation des résultats du modèle à correction d'erreur Dans le court terme, le coefficient de l'évolution du nombre initial de lignes téléphoniques est positif (0.383247) mais non significatif. Cela veut dire que le nombre antérieur de lignes téléphoniques a une influence plus ou moins (puisque le coefficient est non significatif) négative sur le nombre en cours. Le revenu par tête à court terme est positif et non significatif. Ce qui fait que dans le court terme, cette variable n'explique pas bien l'évolution du nombre de lignes téléphoniques pour 100 habitants. Le taux de chômage, tout en ayant le signe négatif attendu, affecte de manière non significative l'évolution du nombre de ligne téléphoniques à court terme. Dans le long terme, bien que le coefficient soit significatif, il a un signe positif. Ainsi, une augmentation de taux chômage de 1%, entraînerait une baisse de l'évolution du nombre de lignes téléphoniques de 0,03 à court terme et une augmentation de 8.18 à long terme. Dans le long terme, le coefficient estimé du taux d'inscription aux études supérieures est positif et significatif par contre il est négatif et non significatif dans le court terme. Les résultats montrent, en outre, que la taille de la population urbaine et les dépenses dans l'éducation ne pas significatifs à court terme et que le signes attendus ne sont pas obtenus. Il ressort des résultats obtenus après l'estimation des coefficients des variables de notre modèle que le coefficient de la constante du modèle est significatif et élevé, cela suggère que des variables explicatives ont été omises dans la spécification du modèle. En effet, compte tenu d'un manque et de stabilité de données, nous n'avons pas pu inclure certaines variables qui sont quand même déterminantes dans l'évolution du nombre de lignes téléphoniques ; ce qui expliquerait aussi l'aboutissement à certains résultats non escomptés. * 17 On a ici 1 retard pour le VECM car on a choisit un VAR(2) |
|