Etude de la demande de monnaie selon ses différentes formes. Cas du Maroc

II-2- Spécification logarithmique :

Selon cette spécification, le modèle à estimer s'écrit comme suit :

LNM1_SCR - LNIPC = C + a. LNPIB_DEF₀ + b. TAUXCC + å 0

Comme on l'a fait pour M1_FID, nous allons directement passer au modèle avec les variables stationnarisées, soit le modèle ci-dessous :

LNM1_SCRD1RES - LNIPCD1 = C + a.LNPIB_DEFRES + b. TAUXCCD1 + å 0

98

Les résultats de l'estimation de ce modèle sont comme suit :

Dependent Variable: LNM1_SCRD1RES-LNIPCD1 Method: Least Squares Date: 06/10/13 Time: 14:28 Sample (adjusted): 2002Q3 2011Q4 Included observations: 38 after adjustments
Variable	Coefficient	Std. Error t-Statistic	Prob.
C	-0.003134	0.006469 -0.484442	0.6311
LNPIB_DEFRES	0.954624	0.270494 3.529188	0.0012
TAUXCCD1	3.181393	2.115194 1.504067	0.1415
R-squared	0.300279	Mean dependent var	-0.004019
Adjusted R-squared	0.260295	S.D. dependent var	0.046201
S.E. of regression	0.039736	Akaike info criterion	-3.537485
Sum squared resid	0.055262	Schwarz criterion	-3.408202
Log likelihood	70.21221	Hannan-Quinn criter.	-3.491487
F-statistic	7.509967	Durbin-Watson stat	3.105043
Prob(F-statistic)	0.001933

Modèle 11 : (LNM1_SCRD1RES-LNIPCD1) C,LNPIBDEFRES,TAUXCCD1

Ces résultats montrent que les coefficients relatifs à la constante et à TAUXCCD1 ne sont pas significativement différents de zéro. Le coefficient relatif à LNPIB_DEFRES est par contre significativement différent de zéro. Le R² et le R² ajusté sont bas (0.30 et 0.26 respectivement) mais nettement supérieurs à ceux obtenu pour l'estimation de M1_SCR. L'analyse du corrélogramme des résidus ci-dessous, montre que les résidus sont fortement autocorrélés :

Date: 06/10/13 Time: 14:59 Sample: 2002Q3 2011Q4 Included observations: 38
Autocorrelation Partial Correlation		AC	PAC	Q-Stat	Prob
	1	-0.57...	-0.57...	13.432	0.000
	2	0.440	0.168	21.596	0.000
	3	-0.40...	-0.15...	28.795	0.000
	4	0.440	0.198	37.447	0.000
	5	-0.42...	-0.11...	45.912	0.000
	6	0.213	-0.23...	48.073	0.000
	7	-0.24...	-0.09...	51.027	0.000
	8	0.350	0.202	57.227	0.000
	9	-0.21...	0.207	59.543	0.000
	1...	0.226	0.129	62.326	0.000
	1...	-0.20...	-0.09...	64.753	0.000
	1...	0.204	-0.13...	67.196	0.000
	1...	-0.24...	-0.12...	70.951	0.000
	1...	0.076	-0.11...	71.315	0.000
	1...	-0.19...	-0.10...	73.941	0.000
	1...	0.162	-0.04...	75.752	0.000

Nous procéderons de la même manière que précédemment et nous allons donc voir à l'aide du test de causalité de Granger si des retards de LNPIB_DEFRES et de TAUXCCD1 peuvent améliorer le modèle. Le test conduit avec un retard de 4 donne les résultats suivants :

99

Pairwise Granger Causality Tests Date: 06/10/13 Time: 15:11 Sample: 2002Q1 2011Q4 Lags: 4
Null Hypothesis:	Obs	F-Statistic	Prob.
LNPIB_DEFRES does not Granger Cause LNM1_SCRD1RES-LNIPCD1	34	0.82453	0.5220
LNM1_SCRD1RES-LNIPCD1 does not Granger Cause LNPIB_DEFRES		3.27102	0.0275
TAUXCCD1 does not Granger Cause LNM1_SCRD1RES-LNIPCD1	34	2.04005	0.1193
LNM1_SCRD1RES-LNIPCD1 does not Granger Cause TAUXCCD1		2.74934	0.0506
TAUXCCD1 does not Granger Cause LNPIB_DEFRES	35	0.78277	0.5467
LNPIB_DEFRES does not Granger Cause TAUXCCD1		0.32898	0.8559

Ces résultats montrent que les deux hypothèses « LNPIB_DEFRES ne cause pas LNM1_SCRD1RES » et « TAUXCCD1 ne cause pas LNM1_SCRD1RES » ne peuvent pas être rejetées au seuil de 5% et par conséquent des retards de LNPIB_DEFRES ou de TAUXCCD1 ne permettrait pas d'améliorer le modèle. Nous allons donc plutôt introduire des retards MA. Le corrélogramme précédent suggère les retards suivants : 1 à 5.

Les résultats obtenus avec ce nouveau modèle sont comme suit :

Dependent Variable: LNM1_SCRD1RES-LNIPCD1 Method: Least Squares Date: 06/10/13 Time: 15:20 Sample (adjusted): 2002Q3 2011Q4 Included observations: 38 after adjustments Convergence achieved after 14 iterations MA Backcast: 2001Q2 2002Q2
Variable	Coefficient	Std. Error t-Statistic	Prob.
C	-0.006028	0.001066 -5.656917	0.0000
LNPIB_DEFRES	0.589797	0.152884 3.857808	0.0006
TAUXCCD1	-0.564812	1.756201 -0.321610	0.7500
MA(1)	-0.584466	0.043000 -13.59219	0.0000		MA(2)
0.548561	0.053112 10.32839	0.0000	MA(3)
-0.544149	0.053952 -10.08578	0.0000	MA(4)
0.577043	0.043373 13.30420	0.0000	MA(5)
-0.917183	0.021424 -42.81103	0.0000
R-squared	0.863995	Mean dependent var	-0.004019
Adjusted R-squared	0.832261	S.D. dependent var	0.046201
S.E. of regression	0.018922	Akaike info criterion	-4.912318
Sum squared resid	0.010741	Schwarz criterion	-4.567563
Log likelihood	101.3341	Hannan-Quinn criter.	-4.789657
F-statistic	27.22578	Durbin-Watson stat	2.281620
Prob(F-statistic)	0.000000
Inverted MA Roots	.98	.41+.89i .41-.89i	-.61-.78i
	-.61+.78i

Modèle 12 : (LNM1_SCRD1RES-LNIPCD1) C,LNPIBDEFRES,TAUXCCD1,MA51 à 5)

Le modèle est beaucoup plus meilleur puisque le R² est passé à 0.86 et le R² ajusté à 0.83. Tous les coefficients, à l'exception du coefficient relatif à TAUXCCD1, sont significativement différents de zéro.

Le corrélogramme des résidus montre que ceux-ci ne sont pas autocorrélés :

100

Date: 06/10/13 Time: 15:25 Sample: 2002Q3 2011Q4 Included observations: 38 Q-statistic probabilities adjusted for 5 ARMA term(s)
Autocorrelation Partial Correlation		AC	PAC	Q-Stat	Prob
	1	-0.15...	-0.15...	0.9948
	2	0.058	0.035	1.1391
	3	-0.16...	-0.15...	2.3497
	4	0.161	0.117	3.5063
	5	-0.28...	-0.25...	7.3617
	6	0.073	-0.02...	7.6136	0.006
	7	-0.11...	-0.07...	8.2928	0.016
	8	0.083	-0.03...	8.6412	0.034
	9	-0.01...	0.071	8.6478	0.071
	1...	0.256	0.184	12.194	0.032
	1...	-0.35...	-0.31...	19.153	0.004
	1...	-0.06...	-0.20...	19.392	0.007
	1...	-0.13...	-0.13...	20.412	0.009
	1...	-0.07...	-0.29...	20.727	0.014
	1...	-0.09...	-0.01...	21.327	0.019
	1...	0.238	0.113	25.248	0.008

Le test de Breusch-Godfrey confirme cette conclusion au vu des p-values des statistiques F et n*R²

Breusch-Godfrey Serial Correlation LM Test:
F-statistic 1.055596 Prob. F(20,10) Obs*R-squared 25.76967 Prob. Chi-Square(20)	0.4859 0.1736
Test Equation: Dependent Variable: RESID Method: Least Squares Date: 06/10/13 Time: 15:25 Sample: 2002Q3 2011Q4 Included observations: 38 Presample missing value lagged residuals set to zero.

Le modèle peut donc être accepté.

Ce modèle nous donne une élasticité-revenu (élasticité de M1_SCR par rapport au PIB_DEF) égale à 0.59 et une semi-élasticité-taux égale à -0.56. On peut donc dire qu'une augmentation de 1% du PIB entraîne une augmentation de seulement 0.59% de M1_SCR et vice-versa. Une augmentation de 1 point du taux sur compte de carnet entraîne une diminution de -0.56% de M1_SCR et vice-versa.

Etant donné la non significativité du coefficient relatif à TAUXCCD1, on peut émettre la même conclusion que celle relative à M1_FID, à savoir qu'il n'y pas présence de motif de transaction dans la demande de M1_SCR, c'est-à-dire que le seule motif de sa détention est celui relatif au motif de transaction et celui de précaution, ce qui confirme une deuxième fois notre hypothèse (H).

D'autre part, les résultats de test d'une élasticité unitaire ne permettant pas d'accepter cette hypothèse, la constante, qui est ici égale à -0.0060, ne peut pas être interprétée comme une vitesse de circulation :

101

Wald Test: Equation: EQ12
Test Statistic Value	df	Probability
t-statistic -2.683099 F-statistic 7.199020 Chi-square 7.199020	30 (1, 30) 1	0.0118 0.0118 0.0073
Null Hypothesis: C(2)=1 Null Hypothesis Summary:
Normalized Restriction (= 0)	Value	Std. Err.
-1 + C(2)	-0.410203	0.152884
Restrictions are linear in coefficients.

Ces deux modèles nous permettent de conclure que le motif de spéculation est absent pour M1_FID, c'est-à-dire que le seul motif de détention de M1_FID est le motif de transaction et celui de précaution ce qui est conforme à notre hypothèse (H).

III- Estimation de la demande de monnaie M3_M1 :