Section2) Méthode d'analyse et
interprétation des résultats de simulation
Cette section sera consacrée d'abord à la
méthode d'analyse qui consistera à un test de diagnostic sur les
données du modèle. Ensuite nous aborderons l'estimation du
modèle VAR. Et en fin nous interpréterons les résultats de
simulation, qui consisteront à une interprétation des fonctions
de réponse impulsionnelles et de la décomposition de la
variance.
1) Méthode d'analyse
L'estimation du modèle VAR nécessite un certain
nombre de préalables. Ainsi nous commencerons par des tests de
diagnostic sur les données avant d'estimer le modèle. Pour cela
nous nous intéresserons à l'étude de la
stationnarité des variables du modèle et à l'étude
de leurs cointégrations.
1.1 Etude de la stationnarité des variables
:
Depuis les travaux fondateurs de Granger et Newbold (1974) sur
les régressions « fallacieuses », il convient, avant de
procéder à des estimations sur des séries temporelles, de
s'interroger au préalable sur la stationnarité des séries
en question.
Pour étudier le niveau d'intégration des
variables nous utilisons le test de Phillips Perron (PP). Cependant on pourrait
utiliser le test Dickey- Fuller augmenté (ADF) pour étudier la
stationnarité des variables du modèle. Mais le test de PP nous
semble être le mieux approprié car il est construit sur une
correction non paramétrique des statistiques de Dickey- Fuller pour
prendre en compte les erreurs hétéroscédastiques.
Le test de Phillips Perron
Le modèle servant de base à ce test est :
Xt = ? Xt- 1 + ut
Le test d'hypothèses est le suivant : H0: X a une racine
unité (non stationnaire)
H1: X n'a pas une racine unité (stationnaire)
Phillips et Perron ont établis une statistique PP
(Phillips-perron test statistic), on compare cette valeur PP à la valeur
de CV (critical value). Dans la mesure où la valeur critique est
négative, la règle de décision est la suivante :
Si PP < CV, on rejette l'hypothèse nulle de non
stationnarité. Si PP > CV, on accepte l'hypothèse nulle de non
stationnarité.
Le test est appliqué en niveau puis en
différence première puis en différence seconde dans le cas
où les variables seraient non stationnaires à ces premiers
stades.
Par souci de synthèse, compte tenu du nombre important
des tests appliqués, le tableau ci-dessous résume les
résultats des tests de racine unitaire appliqués à
l'ensemble des variables. L'étude considère le seuil de 5% pour
la validation des différentes hypothèses.
Tableau1 : résultats des tests de racine unitaire :
I(n)28
|
Variables
|
LEXPB
|
LPDM
|
LAUSA
|
LAUE
|
LPDB
|
LPRMC
|
|
PP
|
-3.924
|
-6.627
|
-3.235
|
-3.927
|
-5.736
|
-5.266
|
|
CV
|
-2.991
|
-2.991
|
-2.985
|
-2.991
|
-2.997
|
-2.991
|
|
Résultats
|
I(1)
|
I(1)
|
I(1)
|
I(1)
|
I(2)
|
I(1)
|
Il ressort de ce tableau que les variables LEXPB, LPDM, LAUSA,
LAUE et LPRMC sont stationnaires en différence première. Alors
que la variable LPDB est stationnaire en différence seconde.
| 
