ANNEXES
Encadré Variation de la
quantité de monnaie : fondement de la règle
friedmanienne.
La règle énoncée dans la proposition
friedmanienne sur la croissance du produit national par rapport à celle
de l'offre de monnaie, peut être déduite comme suit d'une forme
simplifiée de l'équation des transactions, à savoir:  où P est une moyenne des prix et Q une
représentation agrégée des quantités (le produit
national en termes réels).
Soient  une variation de la quantité de monnaie
décidée par la banque centrale,  la variation prévue de la vitesse de circulation,  et  les variations des prix et des quantités qui en
résultent. On tire de l'équation, par différentiation, la
relation suivante:  . En divisant à gauche par , et à droite par  , on obtient après simplifications :  . Cette expression suggère que si la banque centrale choisit  (taux de variation de la quantité de monnaie) de manière
que, compte tenu de ce que l'on prévoit pour  (taux de variation de la vitesse de circulation), tout le membre de
gauche soit égal à , qui est le taux de croissance réel de l'économie, alors
on a nécessairement , c'est-à-dire un taux d'inflation nul.
Annexe 1 : Algorithme de trimestrialisation de
Goldstein et Kahn (1976)
Étant donné , trois observations annuelles successives de la variable X. si la
fonction quadratique qui passe par ces trois points (cf.
THÉORÈME D'EUCLIDE) est telle
que :
Alors, on peut déterminer les paramètres a, b et
c, en calculant d'abord les intégrales de (1) à (3), puis en
résolvant le système d'équation suivant :
La résolution de ce système conduit au
résultat suivant :
A partir des valeurs des paramètres de la fonction
quadratique ainsi obtenues, les quatre observations trimestrielles de
l'année t peuvent être calculées en utilisant les formules
d'interpolation suivantes :
Les calculs algébriques effectués sur les
expressions (6) à (9) ci-dessus dans lesquelles l'on aurait au
préalable remplacé les paramètres a, b et c par leur
expression de (5), conduisent enfin aux données d'interpolation
trimestrielles suivantes :
La série trimestrielle obtenue peut être
ramenée à une série annuelle par sommation des
observations des quatre trimestres de chaque année. En effet,
d'après la relation de Chasles, l'on a :
 . Il reste à préciser que ce procédé ne
s'applique qu'aux flux et pas aux stocks.
Annexe 2 : Le filtre de
Hodrick-Prescott
Le filtre de HODRICK-PRESCOTT (HP) est une des méthodes
privilégiées pour extraire la composante tendancielle d'une
série macroéconomique. Ce filtre est en effet transparent et
aisé à mettre en oeuvre. Une littérature abondante montre
qu'il possède des propriétés statistiques satisfaisantes.
Par ailleurs, même s'il donne lieu à des effet de bord, le
filtrage des derniers point de l'échantillon est relativement peu
sensible aux prévisions utilisées pour prolonger les
séries à moyen terme. D'où son utilisation courante dans
un grand nombre de travaux empiriques d'organisations nationales et
internationales.
Le filtre (HP) suppose que la série X se
décompose en une tendance et un cycle :  où la tendance T résulte du calcul d'optimisation
suivant :
Ce filtre s'apparente à une moyenne mobile
symétrique de longueur infinie. Pour filtrer un point spécifique
de l'échantillon, on affecte des pondérations aux observations
qui l'entourent, ceux-ci dépendant d'une part de la taille de
l'échantillon, d'autre part de la valeur du paramètre . Le choix du paramètre  va conditionner d'une part le nombre d'observations qu'il faut rajouter
à la fin (ou plus rarement au début) de l'échantillon
initial pour éviter le problème des effets de bord, d'autre part
certaines propriétés de la tendance, en particulier son
degré de cyclicité. Le choix de la valeur de  doit s'appuyer sur des critères économiques et
statistiques.
Fonction de transfert du filtre HP
La formule du filtre  peut se réécrire de la facon suivante : 
La condition de 1er ordre s'obtient de la formule
ci-dessous en différenciant cette expression par rapport à .
 En réécrivant cette expression grâce à
l'opérateur retard L, on obtient :
 C'est-à-dire 
On peut déduire de cette expression l'écriture
du filtre qui permet de représenter la tendance par : 
La composante cyclique de la série X
s'écrit : 
 Pour analyser le filtre HP dans le domaine des fréquences, on
pose .
Sachant que :
 On obtient alors la « fonction de réponse
fréquentielle » du filtre CC (L) du filtre (HP).
 La fonction de transfert du filtre est le carré de la valeur
absolue de  :
Annexe3-Tableau 5 : Test
de racine unitaire sur les séries LNPIB et LNPRIX
|
Null Hypothesis: RESIDPIB has a unit root
|
|
Exogenous: None
|
|
Lag Length: 1 (Automatic based on SIC, MAXLAG=9)
|
|
|
|
t-Statistic
|
Prob.*
|
|
Augmented Dickey-Fuller test statistic
|
-2.517426
|
0.0129
|
|
Test critical values:
|
1% level
|
|
-2.616203
|
|
|
5% level
|
|
-1.948140
|
|
|
10% level
|
|
-1.612320
|
|
|
*MacKinnon (1996) one-sided p-values.
|
|
|
Augmented Dickey-Fuller Test Equation
|
|
Dependent Variable: D(RESIDPIB)
|
|
Method: Least Squares
|
|
Date: 03/19/08 Time: 18:26
|
|
Sample(adjusted): 1995:3 2006:4
|
|
Included observations: 46 after adjusting endpoints
|
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
RESIDPIB(-1)
|
-0.133450
|
0.053010
|
-2.517426
|
0.0155
|
|
D(RESIDPIB(-1))
|
0.597968
|
0.099975
|
5.981199
|
0.0000
|
|
R-squared
|
0.472800
|
Mean dependent var
|
0.00084
|
|
Adjusted R-squared
|
0.460818
|
S.D. dependent var
|
0.00595
|
|
S.E. of regression
|
0.004369
|
Akaike info criterion
|
-7.98597
|
|
Sum squared resid
|
0.000840
|
Schwarz criterion
|
-7.90646
|
|
Log likelihood
|
185.6772
|
Durbin-Watson stat
|
2.13252
|
|
Null Hypothesis: RESIDPRIX has a unit root
|
|
Exogenous: None
|
|
Lag Length: 7 (Automatic based on AIC, MAXLAG=9)
|
|
|
|
t-Statistic
|
Prob.*
|
|
Augmented Dickey-Fuller test statistic
|
-4.627591
|
0.0000
|
|
Test critical values:
|
1% level
|
|
-2.624057
|
|
|
5% level
|
|
-1.949319
|
|
|
10% level
|
|
-1.611711
|
|
|
*MacKinnon (1996) one-sided p-values.
|
|
Augmented Dickey-Fuller Test Equation
|
|
Dependent Variable: D(RESIDPRIX)
|
|
Method: Least Squares
|
|
Date: 03/19/08 Time: 18:33
|
|
Sample(adjusted): 1997:1 2006:4
|
|
Included observations: 40 after adjusting endpoints
|
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
RESIDPRIX(-1)
|
-0.967251
|
0.209018
|
-4.627591
|
0.0001
|
|
D(RESIDPRIX(-1))
|
0.657649
|
0.188334
|
3.491919
|
0.0014
|
|
D(RESIDPRIX(-2))
|
0.354671
|
0.185123
|
1.915863
|
0.0644
|
|
D(RESIDPRIX(-3))
|
0.348322
|
0.188375
|
1.849089
|
0.0737
|
|
D(RESIDPRIX(-4))
|
0.785424
|
0.195288
|
4.021879
|
0.0003
|
|
D(RESIDPRIX(-5))
|
0.459530
|
0.195707
|
2.348055
|
0.0252
|
|
D(RESIDPRIX(-6))
|
0.419810
|
0.190297
|
2.206081
|
0.0347
|
|
D(RESIDPRIX(-7))
|
0.408156
|
0.175812
|
2.321551
|
0.0268
|
|
R-squared
|
0.475042
|
Mean dependent var
|
0.00040
|
|
Adjusted R-squared
|
0.360207
|
S.D. dependent var
|
0.00959
|
|
S.E. of regression
|
0.007674
|
Akaike info criterion
|
-6.72522
|
|
Sum squared resid
|
0.001884
|
Schwarz criterion
|
-6.38745
|
|
Log likelihood
|
142.5045
|
Durbin-Watson stat
|
1.85265
|
 
Sur la base de ces résultats de test de racine
unitaire, sur les composantes lourdes des séries LNPIB et des LNPRIX,
l'on peut conclure qu'elles sont toutes deux stationnaires autour d'une
tendance déterministe.
Annexe 4-Tableau 6 :
Test de racine unitaire sur la variable TXFR
|
Null Hypothesis: D(TXFR) has a unit root
|
|
Exogenous: None
|
|
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
|
|
|
|
t-Statistic
|
Prob.*
|
|
Augmented Dickey-Fuller test statistic
|
-6.344165
|
0.0000
|
|
Test critical values:
|
1% level
|
|
-2.616203
|
|
|
5% level
|
|
-1.948140
|
|
|
10% level
|
|
-1.612320
|
|
|
*MacKinnon (1996) one-sided p-values.
|
|
|
|
|
|
|
Augmented Dickey-Fuller Test Equation
|
|
Dependent Variable: D(TXFR,2)
|
|
Method: Least Squares
|
|
Date: 03/15/08 Time: 14:05
|
|
Sample(adjusted): 1995:3 2006:4
|
|
Included observations: 46 after adjusting endpoints
|
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
D(TXFR(-1))
|
-0.939090
|
0.148024
|
-6.344165
|
0.0000
|
|
R-squared
|
0.472029
|
Mean dependent var
|
0.013515
|
|
Adjusted R-squared
|
0.472029
|
S.D. dependent var
|
0.982488
|
|
S.E. of regression
|
0.713892
|
Akaike info criterion
|
2.185328
|
|
Sum squared resid
|
22.93385
|
Schwarz criterion
|
2.225081
|
|
Log likelihood
|
-49.26255
|
Durbin-Watson stat
|
2.023340
|
Annexe 5-Figure 8 :
Représentation de la composante lourde du PIB extraite à partir
du filtre HP
Annexe 6-Tableau 7 :
Résultat de l'estimation du VAR
|
Vector Autoregression Estimates
|
|
Date: 03/15/08 Time: 12:11
|
|
Sample(adjusted): 1995:4 2006:4
|
|
Included observations: 45 after adjusting endpoints
|
|
Standard errors in ( ) & t-statistics in [ ]
|
|
LNPIB
|
LNPRIX
|
D(TXFR)
|
|
LNPIB(-1)
|
1.566028
|
-0.131198
|
-14.68633
|
|
(0.13800)
|
(0.27195)
|
(21.9067)
|
|
[ 11.3483]
|
[-0.48243]
|
[-0.67040]
|
|
|
|
|
|
LNPIB(-2)
|
-0.634351
|
0.132922
|
6.138378
|
|
(0.13407)
|
(0.26421)
|
(21.2834)
|
|
[-4.73147]
|
[ 0.50308]
|
[ 0.28841]
|
|
|
|
|
|
LNPRIX(-1)
|
-0.093485
|
0.889424
|
12.52329
|
|
(0.08691)
|
(0.17127)
|
(13.7967)
|
|
[-1.07566]
|
[ 5.19301]
|
[ 0.90770]
|
|
|
|
|
|
LNPRIX(-2)
|
0.075110
|
-0.136170
|
-8.952045
|
|
(0.08923)
|
(0.17586)
|
(14.1659)
|
|
[ 0.84171]
|
[-0.77433]
|
[-0.63194]
|
|
|
|
|
|
D(TXFR(-1))
|
0.000473
|
-0.001169
|
0.010192
|
|
(0.00102)
|
(0.00202)
|
(0.16237)
|
|
[ 0.46228]
|
[-0.57997]
|
[ 0.06277]
|
|
|
|
|
|
D(TXFR(-2))
|
0.000188
|
-0.001734
|
0.147345
|
|
(0.00102)
|
(0.00201)
|
(0.16212)
|
|
[ 0.18367]
|
[-0.86173]
|
[ 0.90884]
|
|
|
|
|
|
C
|
1.983570
|
1.194464
|
218.2110
|
|
(1.55010)
|
(3.05479)
|
(246.075)
|
|
[ 1.27964]
|
[ 0.39101]
|
[ 0.88677]
|
|
|
|
|
|
@TREND
|
0.001353
|
0.001318
|
0.125709
|
|
(0.00099)
|
(0.00194)
|
(0.15667)
|
|
[ 1.37120]
|
[ 0.67751]
|
[ 0.80238]
|
|
R-squared
|
0.999625
|
0.987726
|
0.071599
|
|
Adj. R-squared
|
0.999554
|
0.985403
|
-0.104045
|
|
Sum sq. resids
|
0.000843
|
0.003275
|
21.24847
|
|
S.E. equation
|
0.004774
|
0.009408
|
0.757815
|
|
F-statistic
|
14075.58
|
425.3407
|
0.407636
|
|
Log likelihood
|
181.0606
|
150.5330
|
-46.96874
|
|
Akaike AIC
|
-7.691581
|
-6.334798
|
2.443055
|
|
Schwarz SC
|
-7.370397
|
-6.013613
|
2.764239
|
|
Mean dependent
|
28.05944
|
5.145093
|
-0.050691
|
|
S.D. dependent
|
0.225939
|
0.077866
|
0.721223
|
|
Determinant Residual Covariance
|
1.12E-09
|
|
|
Log Likelihood (d.f. adjusted)
|
272.1915
|
|
|
Akaike Information Criteria
|
-11.03073
|
|
|
Schwarz Criteria
|
-10.06718
|
|
Annexe 7-Tableau 8 :
Résultat de la factorisation structurelle de 
|
Structural VAR Estimates
|
|
Date: 03/15/08 Time: 12:11
|
|
Sample(adjusted): 1995:4 2006:4
|
|
Included observations: 45 after adjusting endpoints
|
|
Estimation method: method of scoring (analytic derivatives)
|
|
Convergence achieved after 7 iterations
|
|
Structural VAR is over-identified (3 degrees of freedom)
|
|
Model: Ae = Bu where E[uu']=I
|
|
Restriction Type: short-run pattern matrix
|
|
A =
|
|
1
|
0
|
0
|
|
|
|
0
|
1
|
0
|
|
|
|
0
|
0
|
1
|
|
|
|
B =
|
|
1
|
0
|
0
|
|
|
|
C(1)
|
1
|
0
|
|
|
|
C(2)
|
C(3)
|
1
|
|
|
|
Coefficient
|
Std. Error
|
z-Statistic
|
Prob.
|
|
C(1)
|
0.156167
|
0.149071
|
1.047598
|
0.2948
|
|
C(2)
|
0.063875
|
0.165342
|
0.386316
|
0.6993
|
|
C(3)
|
0.479808
|
0.149071
|
3.218653
|
0.0013
|
|
Log likelihood
|
-136.9797
|
|
|
|
|
LR test for over-identification:
|
|
Chi-square(3)
|
818.3424
|
|
Probability
|
0.0000
|
|
Estimated A matrix:
|
|
1.000000
|
0.000000
|
0.000000
|
|
|
|
0.000000
|
1.000000
|
0.000000
|
|
|
|
0.000000
|
0.000000
|
1.000000
|
|
|
|
Estimated B matrix:
|
|
1.000000
|
0.000000
|
0.000000
|
|
|
|
0.156167
|
1.000000
|
0.000000
|
|
|
|
0.063875
|
0.479808
|
1.000000
|
|
|
Annexe 8-Tableau 9 :
Décomposition de la variance des erreurs de prévision des
variables endogènes
|
Variance Decomposition of LNPIB:
|
|
Period
|
S.E.
|
Demand Shock
|
Supply Shock
|
Monetary Shock
|
|
1
|
1.000000
|
100.0000
|
0.000000
|
0.000000
|
|
2
|
1.848167
|
99.74537
|
0.254621
|
6.55E-06
|
|
3
|
2.584312
|
99.54171
|
0.458268
|
1.96E-05
|
|
4
|
3.171585
|
99.43276
|
0.567202
|
3.76E-05
|
|
5
|
3.607548
|
99.38756
|
0.612384
|
5.50E-05
|
|
6
|
3.909779
|
99.37576
|
0.624173
|
7.00E-05
|
|
7
|
4.104905
|
99.37941
|
0.620510
|
8.15E-05
|
|
8
|
4.221296
|
99.38831
|
0.611596
|
8.99E-05
|
|
9
|
4.284509
|
99.39714
|
0.602765
|
9.54E-05
|
|
10
|
4.314985
|
99.40350
|
0.596405
|
9.88E-05
|
|
11
|
4.327421
|
99.40683
|
0.593069
|
0.000101
|
|
12
|
4.331285
|
99.40762
|
0.592276
|
0.000101
|
|
13
|
4.331949
|
99.40676
|
0.593136
|
0.000102
|
|
14
|
4.331985
|
99.40513
|
0.594767
|
0.000102
|
|
15
|
4.332307
|
99.40338
|
0.596516
|
0.000102
|
|
16
|
4.333016
|
99.40189
|
0.598012
|
0.000102
|
|
17
|
4.333921
|
99.40078
|
0.599115
|
0.000102
|
|
18
|
4.334809
|
99.40006
|
0.599835
|
0.000102
|
|
19
|
4.335543
|
99.39965
|
0.600252
|
0.000102
|
|
20
|
4.336076
|
99.39944
|
0.600463
|
0.000102
|
|
21
|
4.336419
|
99.39935
|
0.600551
|
0.000102
|
|
22
|
4.336616
|
99.39932
|
0.600577
|
0.000102
|
|
23
|
4.336715
|
99.39932
|
0.600577
|
0.000102
|
|
24
|
4.336757
|
99.39933
|
0.600572
|
0.000102
|
|
25
|
4.336771
|
99.39933
|
0.600569
|
0.000102
|
|
26
|
4.336773
|
99.39933
|
0.600569
|
0.000102
|
|
27
|
4.336773
|
99.39933
|
0.600571
|
0.000102
|
|
28
|
4.336774
|
99.39932
|
0.600575
|
0.000102
|
|
29
|
4.336776
|
99.39932
|
0.600578
|
0.000102
|
|
30
|
4.336779
|
99.39932
|
0.600581
|
0.000102
|
|
31
|
4.336782
|
99.39932
|
0.600583
|
0.000102
|
|
32
|
4.336785
|
99.39931
|
0.600584
|
0.000102
|
|
33
|
4.336787
|
99.39931
|
0.600585
|
0.000102
|
|
34
|
4.336788
|
99.39931
|
0.600585
|
0.000102
|
|
35
|
4.336789
|
99.39931
|
0.600585
|
0.000102
|
|
Variance Decomposition of LNPRIX:
|
|
Period
|
S.E.
|
Demand Shock
|
Supply Shock
|
Monetary Shock
|
|
1
|
1.012121
|
2.380742
|
97.61926
|
0.000000
|
|
2
|
1.347043
|
1.347251
|
98.65267
|
7.53E-05
|
|
3
|
1.497829
|
1.310173
|
98.68940
|
0.000422
|
|
4
|
1.561662
|
1.309278
|
98.69005
|
0.000669
|
|
5
|
1.588960
|
1.278147
|
98.72102
|
0.000834
|
|
6
|
1.603333
|
1.632261
|
98.36683
|
0.000913
|
|
7
|
1.616561
|
2.675104
|
97.32396
|
0.000939
|
|
8
|
1.632520
|
4.363786
|
95.63528
|
0.000936
|
|
9
|
1.650786
|
6.401252
|
93.59783
|
0.000919
|
|
10
|
1.669269
|
8.443665
|
91.55544
|
0.000900
|
|
11
|
1.685925
|
10.23967
|
89.75945
|
0.000882
|
|
12
|
1.699503
|
11.66760
|
88.33153
|
0.000868
|
|
13
|
1.709628
|
12.71073
|
87.28841
|
0.000859
|
|
14
|
1.716574
|
13.41576
|
86.58338
|
0.000852
|
|
15
|
1.720961
|
13.85664
|
86.14251
|
0.000848
|
|
16
|
1.723499
|
14.11016
|
85.88899
|
0.000846
|
|
17
|
1.724828
|
14.24239
|
85.75676
|
0.000845
|
|
18
|
1.725442
|
14.30335
|
85.69580
|
0.000845
|
|
19
|
1.725682
|
14.32694
|
85.67222
|
0.000845
|
|
20
|
1.725752
|
14.33371
|
85.66545
|
0.000845
|
|
21
|
1.725763
|
14.33463
|
85.66452
|
0.000845
|
|
22
|
1.725765
|
14.33462
|
85.66454
|
0.000845
|
|
23
|
1.725773
|
14.33525
|
85.66391
|
0.000845
|
|
24
|
1.725788
|
14.33658
|
85.66257
|
0.000845
|
|
25
|
1.725806
|
14.33823
|
85.66093
|
0.000845
|
|
26
|
1.725822
|
14.33978
|
85.65937
|
0.000845
|
|
27
|
1.725835
|
14.34102
|
85.65814
|
0.000845
|
|
28
|
1.725844
|
14.34189
|
85.65727
|
0.000845
|
|
29
|
1.725849
|
14.34242
|
85.65674
|
0.000845
|
|
30
|
1.725852
|
14.34271
|
85.65645
|
0.000845
|
|
31
|
1.725854
|
14.34284
|
85.65631
|
0.000845
|
|
32
|
1.725854
|
14.34289
|
85.65626
|
0.000845
|
|
33
|
1.725854
|
14.34291
|
85.65625
|
0.000845
|
|
34
|
1.725854
|
14.34291
|
85.65625
|
0.000845
|
|
35
|
1.725854
|
14.34291
|
85.65625
|
0.000845
|
|
Variance Decomposition of D(TXFR):
|
|
Period
|
S.E.
|
Demand Shock
|
Supply Shock
|
Monetary Shock
|
|
1
|
1.110989
|
0.330549
|
18.65161
|
81.01784
|
|
2
|
17.89529
|
50.60429
|
49.08341
|
0.312297
|
|
3
|
25.70632
|
73.93450
|
25.91176
|
0.153741
|
|
4
|
32.73214
|
82.65706
|
17.24800
|
0.094938
|
|
5
|
37.74307
|
86.74424
|
13.18436
|
0.071405
|
|
6
|
41.16152
|
88.72049
|
11.21943
|
0.060078
|
|
7
|
43.29943
|
89.75856
|
10.18713
|
0.054308
|
|
8
|
44.54211
|
90.29878
|
9.649885
|
0.051335
|
|
9
|
45.19605
|
90.57044
|
9.379691
|
0.049868
|
|
10
|
45.49980
|
90.69452
|
9.256268
|
0.049210
|
|
11
|
45.61709
|
90.74231
|
9.208730
|
0.048959
|
|
12
|
45.65006
|
90.75513
|
9.195983
|
0.048889
|
|
13
|
45.65435
|
90.75540
|
9.195716
|
0.048880
|
|
14
|
45.65514
|
90.75369
|
9.197428
|
0.048879
|
|
15
|
45.66033
|
90.75366
|
9.197476
|
0.048868
|
|
16
|
45.66981
|
90.75561
|
9.195547
|
0.048847
|
|
17
|
45.68098
|
90.75866
|
9.192514
|
0.048824
|
|
18
|
45.69141
|
90.76187
|
9.189329
|
0.048801
|
|
19
|
45.69974
|
90.76460
|
9.186613
|
0.048784
|
|
20
|
45.70561
|
90.76662
|
9.184612
|
0.048771
|
|
21
|
45.70928
|
90.76792
|
9.183312
|
0.048763
|
|
22
|
45.71132
|
90.76868
|
9.182565
|
0.048759
|
|
23
|
45.71231
|
90.76905
|
9.182192
|
0.048757
|
|
24
|
45.71271
|
90.76921
|
9.182037
|
0.048756
|
|
25
|
45.71282
|
90.76925
|
9.181991
|
0.048756
|
|
26
|
45.71284
|
90.76926
|
9.181986
|
0.048756
|
|
27
|
45.71284
|
90.76926
|
9.181988
|
0.048756
|
|
28
|
45.71285
|
90.76926
|
9.181987
|
0.048756
|
|
29
|
45.71288
|
90.76926
|
9.181979
|
0.048756
|
|
30
|
45.71292
|
90.76928
|
9.181968
|
0.048756
|
|
31
|
45.71296
|
90.76929
|
9.181957
|
0.048756
|
|
32
|
45.71299
|
90.76930
|
9.181947
|
0.048756
|
|
33
|
45.71301
|
90.76930
|
9.181940
|
0.048756
|
|
34
|
45.71302
|
90.76931
|
9.181935
|
0.048755
|
|
35
|
45.71303
|
90.76931
|
9.181932
|
0.048755
|
Annexe 9 -Figure
9 : Fonctions Impulsion-réponse croisée de toutes les
variables
Annexe 10-Figure 10 :
Autocorrélogrammes des résidus
| 
