WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

L'efficacité de la politique monétaire en Haiti (octobre 1996 - septembre 2007)

( Télécharger le fichier original )
par Rony TOUSSAINT-FILS
Université Quisqueya - Licence en sciences economiques 2008
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

Chapitre 4

4.1 -Méthodologie

4.1.1 -Introduction

A travers ce chapitre, nous allons dans un premier temps présenter les différentes variables de notre étude. C'est ainsi il sera question de tester la stationnarité des différentes séries prises en compte et étudier d'éventuelle cointégration entre les séries considérées. Dans un deuxième temps nous allons spécifier le modèle à vecteur autorégressif et d'étudier la causalité du système ainsi que son estimation, enfin on aboutira à l'étude des fonctions de réponses aux chocs et de la décomposition de la variance.

4.1.2 -Présentation des variables

Comme il a été fait mention plus haut, la politique monétaire de la banque centrale a pour objectif premier d'arriver à la stabilité des prix en d'autre terme d'avoir un certain contrôle sur l'inflation. Pour mettre en place cette politique on a vu que la banque centrale utilise plusieurs instruments notamment les bons BRH. A ce propos plusieurs variables peuvent être mises en relation pour étudier la bonne marche de la politique monétaire. Étant donné que notre étude consiste à étudier les relations qui existent entre l'inflation et les bases de la politique monétaire, la première variable de l'étude est sans nul doute l'indice des prix à la consommation (IPC) en variation mensuelle. Maintenant il faut voir les facteurs qui influencent ce dernier. Comme on l'a vu ci-dessus durant la période de l'étude la masse monétaire (M2) a cru considérablement, tenant compte de la théorie quantitative de la monnaie on tiendra compte de M2 toujours en variation mensuelle comme variable clé de notre étude. L'une des causes de l'augmentation de la masse monétaire est, comme nous l'avons précisé plus haut l'augmentation du crédit. D'où l'important pour nous de considérer cette variable dans notre modèle qu'on notera CRED. Puisque l'objectif est pour nous d'étudier l'efficacité de la politique de la BRH, on utilisera l'instrument clé de sa politique soit le taux sur les bons BRH (de 91 jours) comme variable de notre étude qu'on notera TB.

Lorsque le taux de change augmente on observe une dépréciation de la monnaie nationale qui a pour conséquence une éventuelle augmentation des prix dans l'économie. Le taux de change (TXC) sera d'importance pour nous même s'il est vrai que la BRH n'a aucune influence sur le taux de change et qu'elle n'a pas aussi une politique monétaire du taux de change.

4-2 STATIONNARITE DES DIFFERENTES SERIES

La stationnarité est un concept très important pour l'étude des séries chronologiques. Elle sous entend que d'un point de vue statistique, le passé est comparable au présent ainsi qu'au futur .En d'autres termes une série temporelle est dite stationnaire si sa distribution de probabilité ne varie pas au cours du temps. Pour étudier la stationnarité de nos différentes séries nous utiliserons le test de la racine unité.

TEST DE LA RACINE UNITE

Pour tester la stationnarité des différentes séries de notre modèle, on utilisera le test de Dickey-Fuller augmentés, puisque nous allons tenir compte de l'autocorrélation des résidus. Le principe général du test de Dickey Fuller Augmentées consiste à tester l'hypothèse nulle de la présence d'une racine unitaire

H0 :IPI=1 ou H0 : b =0 ; b= P - 1 (non

stationnaire)

H1 :| P | < 1 H1 : b < 0 (stationnaire)

Pour les trois modèles suivantes :

p

Modèle 1 : ÄX tX t - 1 +ö i Ä X - + å

t i t

i=1

p

Modèle 2 : Ä = - + +

X t X t c i X -

ö 1 ö Ä t i

i=1

+ åt åt ~ ( 2 )

iid 0; óå

p

Modèle 3 : Ä = + + + Ä +

X X c t X

ö â ö å

t t i

- 1 t i t

-

Il s'agit de partir du modèle le plus géneral , c'est-à-dire le modèle contenant la constante et la tendance. Si la tendance n'est pas statistiquement significative on passe dans le modèle 2. Et on applique le test .Si cette fois la constante aussi n'est pas statistiquement significative On estime le modele , sans constante et sans tendance. Puis comparer la valeur calculer de la stat-ADF et la valeur critique au seuil de 5% si Valeur calculé < valeur critique on dit de la serie qu'elle est stationnaire. Dans le cas ou la serie ne serait pas stationnaire , on recommencera les tests d'ADF sur la difference première

D'après les tests fait a partir du logiciel E-VIEWS 4.1, on a obtenu les resultats suivants, qui sont simplifié a travers ce tableau. Les resultats detaillés des test sont fournis à l'annexe.

Tableau 3 : Résultats des tests de Dickey-Fuller Augmentés

series

modèle

Stat-ADF

Valeur critique

Stationnaire

RIPC

2

-7.506745

-2.883753

Oui

RM2

2

-11.86448

-2.883753

Oui

RCRED

2

-10.14367

-2.883753

Oui

RTB

1

-7.305058

-1 .943406

Oui

RTXC

2

-1 2.42572

-2.883753

Oui

Source : l'auteur a partir de e-views 4.1

4.3 -Représentation d'un modèle a vecteur autorégressif

4-3-1 Détermination du nombre de retard

Pour déterminer le nombre de retard optimal de notre modèle, on peut utiliser plusieurs méthodes. On calculera la fonction d'AIC (critère d'information akaike) pour chaque retard de 0 à 12 et le nombre de retard qui sera retenu est celui qui minimisera l'AIC.

AIC(P) = ln [detÖ] + 2(n2P/T)

Lag AIC SC HQ

0

16.17209

16.29999*

16.22390*

1

15.97111*

16.73851

16.28193

2

16.00664

17.41354

16.57648

3

15.98191

18.02830

16.81076

4

16.28345

18.96934

17.37133

5

16.50323

19.82861

17.85012

6

16.86761

20.83249

18.47352

7

17.02367

21.62805

18.88860

8

17.33906

22.58294

19.46301

9

17.24393

23.12730

19.62689

10

17.41346

23.93633

20.05545

11

17.38139

24.54376

20.28239

12

16.76582

24.56769

19.92584

D'après les résultats d'e-views 4.1 le nombre de retard optimal est de 1, d'où pour le modèle on utilisera un VAR( 1) avec 5 variables.

4-3-2 Spécification

Le modèle VAR qu'on étudie s'écrit de la forme suivante : Xt = A0 +?AiXt-i + å t avec Xt' = [INF TB CRED M2 TXC]

4-3-3 Estimation

Pour l'estimation du modèle on appliquera les MCO pour chaque équation du modèle. Les résultats de l'estimation sont affichés dans le tableau 4 de l'annexe.

4-3-4 Test de causalité au sens de granger

A travers le processus VAR il faut savoir s'il existe une relation de causalité entre les différentes variables du système. On dit qu'une variable x cause au sens de granger une autre variable y si et seulement si la connaissance du passé de x améliore la prévision de y à tout horizon.

On pose les hypothèses qui suivent :

H0 : X ne cause pas Y et H1 : X cause Y

Comme règle de décision on rejettera H0 si la probabilité associé au test est plus petit que 5% (0.05). Les résultats du test fait à partir d'e-views 4.1 sont affichés dans le tableau suivant :

Nombre de retards = 1

Tableau 4 : Résultat du test de causalité

Hypothèse nulle:

Nbre d'obs

F-Statistic

Probabilité

RIPC ne cause pas RCRED

130

2.36887

0.12626

RCRED ne cause pas RIPC

 

0.64302

0.42412

RTB ne cause pas RCRED

125

0.00080

0.97747

RCRED ne cause pas RTB

 

5.54414

0.02014

RM2 ne cause pas RIPC

130

7.65228

0.00652

RIPC ne cause pas RM2

 

2.25889

0.13533

RTB ne cause pas RIPC

125

9.81 511

0.00217

RIPC ne cause pas RTB

 

1.11389

0.29332

RTXC ne cause pas RIPC

130

0.45207

0.50258

RIPC ne cause pas RTXC

 

0.40000

0.52823

RTB ne cause pas RM2

125

0.27723

0.59948

RM2 ne cause pas RTB

 

3.56289

0.06 146

Source : L'auteur a partir d'e-views

Ainsi on peut voir que la variation de l'RIPC ne cause pas le crédit, l'inverse est tout aussi vrai. RM2 cause l'inflation en d'autre terme la connaissance du passé de la croissance de RM2 améliore la prévision de l'RIPC, mais pas l'inverse. Toujours selon les résultats on peut voir qu'il existe un lien entre le TB et l'IPC, dans le sens que le TB cause l'IPC, c'est-à-dire la connaissance des valeurs des taux sur les bons BRH permet de faire une meilleure prévision sur l'inflation. On voit aussi que le crédit cause le taux sur les bons. Du fait que le crédit est une source de la création de monnaie; la BRH fait varier les taux sur les bons en fonction d'une diminution où d'une augmentation du niveau de crédit. C'est pourquoi les valeurs passées de la variation du crédit influencent les valeurs futures de la variation des taux sur les bons.

4-4 Dynamique du modèle

4-4-1 Analyse des chocs

Une fonction de réponse aux chocs résume l'information concernant l'évolution d'une variable qui intervient suite à une impulsion sur une autre variable à une date t, en supposant que toutes les autres variables sont constantes.

Lorsqu'intervient un choc de 1% sur le taux de croissance des bons BRH, l'impact atteint son maximum après deux mois sur l'inflation soit 0.3%. Après quoi il disparaît progressivement, ou après cinq mois l'impact du choc est insignifiant. De la même manière, lorsqu'on enregistre un choc de 1% sur le taux d'inflation, l'effet sur la croissance des taux sur les bons atteint son maximum le troisième mois et diminue progressivement. Les impacts des chocs des différentes variables de l'étude sur l'inflation ont atteint leur maximum au cours du deuxième mois pour être insignifiant après la cinquième mois, tel est le cas pour TB, M2 et pour le CRED ; mais pour le taux de

change un choc de 1% est instantané sur l'inflation avec 0.3% et diminue de façon linéaire jusqu'à deuxième mois, pour être nul après le troisième mois. Dans le tableau qui suit nous résumons l'impact des différents chocs sur l'inflation en pourcentage.

Graphique 6 : Réponse de l'RIPC aux innovations de RTB Graphique 7 : Réponse de RTB aux innovations de l'RIPC

.006

.004

.002

.000

-.002

-.004

1 2 3 4 5 6 7 8 9 10 11 12

4 3 2 1 0

-1

-2

-3

 

1 2 3 4 5 6 7 8 9 10 11 12

Source : Estimation de l'auteur à partir d'e-views 4.1

Tableau 5: Variation des chocs sur l'RIPC

Mois

variable

1

2

3

4

5

RTB

-0.1307%

0.3346%

0.1983%

0.1082%

0.0626%

RM2

0.1374%

0.2935%

0.1434%

0.0873%

0.0503%

RCRED

0.0767%

0.1923%

0.1813%

0.1021%

0.0604%

RTXC

0.2961%

0.0402%

0.0116%

0%

0%

4-2 Décomposition de la variance

La décomposition de la variance permet de calculer la contribution de chaque innovation à la variance totale de l'erreur de prévisions d'une variable.

On suivra l'ordre de cholesky avec RTB - RM2- RCRED- RTCX -- RIPC du fait que la BRH modifie les taux sur ses bons pour augmenter ou diminuer la masse monétaire M2 ou ce dernier aura un impact direct sur le niveau de crédit et le taux change avant d'avoir un effet sur l'inflation. Les résultats de la décomposition de la variance de l'erreur indique que l'inflation est due à 71.25 % de ses propres innovations, et respectivement 5.22 ; 7.87 ; 10.60 ; 5.09% pour le crédit, M2, TB et le taux de change.

Tableau 6 : Décomposition de la variance

Period

S.E.

RCRED

RIPC

RM2

RTB

RTXC

1

4.240079

0.490831

89.20354

1.573299

1.424160

7.308168

2

4.344529

2.755948

76.46546

6.748134

8.291048

5.739406

3

4.361123

4.489851

72.79487

7.440607

9.974311

5.300361

4

4.364848

4.978479

71.76453

7.692647

10.39796

5.166386

5

4.366247

5.144283

71.43026

7.771037

10.53246

5.121961

6

4.366705

5.199658

71.31609

7.798723

10.57879

5.106743

7

4.366866

5.218930

71.27654

7.808203

10.59485

5.101482

8

4.366921

5.225592

71.26283

7.811501

10.60042

5.099659

9

4.366941

5.227905

71.25808

7.812642

10.60235

5.099027

10

4.366947

5.228707

71.25643

7.813038

10.60302

5.098807

11

4.366950

5.228986

71.25585

7.813176

10.60325

5.098731

12

4.366950

5.229082

71.25566

7.813223

10.60333

5.098705

Au regard des résultats des réponses aux chocs et de la décomposition de la variance on peut comprendre que l'inflation en Haïti est due a 71% de ses propres innovations, et 8% des innovations de la variation de la masse monétaire M2 ; et selon les résultats de l'analyse des fonctions de réponse pulsionnelles le taux directeur de la BRH n'a d'effet sur l'inflation que pendant une période de courte

durée ne dépassant pas deux mois. Ce qui nous porte a accepté notre hypothèse de travail à savoir « les mesures de politique monétaire de la banque centrale ne réduisent pas l'inflation a court terme >>. Ce qui nous porte a affirmer que la politique monétaire de la BRH et inefficace puisqu'elle ne réduit pas véritablement l'inflation, elle ne fait que ralentir son rythme de croissance pour une période de courte durée, si l'on tient compte du point de vue des monétaristes, ou la lutte contre l'inflation doit être le seul objectif de la politique monétaire.

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Qui vit sans folie n'est pas si sage qu'il croit."   La Rochefoucault