2.3.3. Test de la dominance de prévision
Plusieurs auteurs tels que (Granger & Newbold, 1986), nous
ont fait remarquer qu'il était possible d'améliorer les
prévisions des deux modèles retenus en partant du principe de
la
65
prévision combinée. En effet, ils ont
montré l'existence d'un réel A E [0,11, tel que la
nouvelle projection ytp,c = (1 -
a.)ytp,1 + a.ytp,2.
Toutefois, si par exemple le modèle M1 est riche en
information et donne déjà la meilleure prévision, alors
nous tomberons sur un paramètre A = 0, et dans ce cas nous
dirons que le modèle M1 domine le modèle M2.
- Nous gardons les séries des prévisions
utilisées pour le calcul de l'EQMP (10 périodes, 15
périodes et 20 périodes).
- Nous calculons les écarts par rapport aux
observations réalisées (eBsvAR,t et
evECM,t)
pour déterminer finalement la fonction du test
ft = evECM,t(evECM,t - efsvAR,t)
- Nous déterminons la quantité f pour
chaque variable, ainsi que l'estimation de la variance de long terme
6^HLN de chaque vecteur de la matrice.
- Enfin, nous déterminons la valeur de la statistique
HLN = .1T-T°f avec l'hypothèse nulle
HLN
du test est H0: E(ft) = 0.
Si l'hypothèse de la domination des prévisions
fournies par l'approche VECM est valide, nous noterons la statistique HLN
calculée par «*» :
Tableau 12 : Les résultats du test de la dominance
des prévisions
|
NPL ROA PCC IPC IPI TMM USD
|
|
10 périodes
|
9.749
|
7.465
|
12.021
|
4.554
|
-6.534
|
-9.862
|
-12.943
|
|
15 périodes
|
14.384
|
-8.015
|
19.498
|
9.487
|
-7.741
|
5.808
|
14.688
|
|
20 périodes
|
15.707
|
5.060
|
12.617
|
-19515
|
-7512.8
|
-144.19
|
-427.07
|
Source : préparer par l'auteur à l'aide de
logiciel R CRAN
D'après ce tableau, nous constatons que
l'hypothèse nulle (les prévisions du modèle VECM dominent
celles du modèle BSVAR) est rejetée dans tous les cas. Par
conséquent, nous pouvons dire que les prévisions fournies par le
modèle BSVAR sont, certes, meilleures que celles fournies par le
modèle VECM, d'après les tests précédents.
Cependant, ces dernières peuvent être améliorées en
jouant sur la notion de la combinaison des prévisions. (Annexe12)
2.4. Analyse des chocs structurels et décomposition
de la variance
La logique de l'estimation par l'approche bayésienne
permet d'imposer l'aspect dynamique entre les variables qui dépend de la
distribution a postériori de chaque paramètre de l'estimation. A
l'aide de la fonction d'impulsion, nous pouvons déduire l'impact d'un
choc des variables ROA, PCC, IPC, IPI, TMM et USD sur la variable NPL.
66
D'après les graphes ci-dessous nous constatons que le
choc des variables NPL, PCC, IPC, IPI et TMM ont un effet positif sur la
variable NPL. Tandis que les variables ROA et USD ont un impact négatif
sur la variable NPL à court terme et long terme. (Annexe13)
Figure 5 : Les fonctions d'impulsion
Source : préparer par l'auteur à l'aide de
logiciel R CRAN
Le modèle BSVAR estimé va nous permettre de
faire une décomposition de la variance, l'objectif de cette
décomposition est de calculer la contribution de chacune des innovations
à la variance de l'erreur. Le tableau suivant présente les
résultats à l'étude de la décomposition de la
variance pour la série NPL :
Tableau 13 : Décomposition de la variance pour les
NPL
|
Période
|
NPL
|
ROA
|
PCC
|
IPC
|
IPI
|
TMM
|
USD
|
|
1
|
91.5026%
|
2.9532%
|
4.5647%
|
0.0073%
|
0.0019%
|
0.9649%
|
0.0051%
|
|
2
|
92.6854%
|
4.4885%
|
2.5300%
|
0.0036%
|
0.0004%
|
0.2905%
|
0.0012%
|
|
3
|
92.2199%
|
5.9327%
|
1.7150%
|
0.0022%
|
0.0003%
|
0.1290%
|
0.0005%
|
|
4
|
91.5026%
|
7.0709%
|
1.3006%
|
0.0016%
|
0.0002%
|
0.1235%
|
0.0003%
|
|
5
|
90.9724%
|
7.8099%
|
1.0549%
|
0.0012%
|
0.0002%
|
0.1607%
|
0.0003%
|
|
6
|
90.7536%
|
8.1515%
|
0.8930%
|
0.0010%
|
0.0001%
|
0.2000%
|
0.0005%
|
|
7
|
90.8380%
|
8.1548%
|
0.7774%
|
0.0008%
|
0.0001%
|
0.2280%
|
0.0006%
|
|
8
|
91.1620%
|
7.9042%
|
0.6897%
|
0.0007%
|
0.0001%
|
0.2420%
|
0.0009%
|
|
9
|
91.6466%
|
7.4871%
|
0.6199%
|
0.0006%
|
0.0001%
|
0.2442%
|
0.0012%
|
|
10
|
92.2181%
|
6.9794%
|
0.5624%
|
0.0005%
|
0.0001%
|
0.2376%
|
0.0016%
|
Source : préparer par l'auteur à l'aide de
logiciel R CRAN
Le tableau Ci-dessus indique que la variance de l'erreur de
prévision de NPL est expliquée à 91.5% à ses
propres innovations de façon instantanée. Ainsi les variations du
NPL dépendent des variations ROA, PCC, IPC, IPI, TMM et USD autour de
2.95%, 4.56%, 0.007%, 0.001%, 0.964% et 0.005% respectivement. A long terme, la
variation du NPL est expliqué à 92.21% par ses propres
innovations, et la contribution de ROA, PCC, IPC, IPI, TMM et USD se
limité à 6.979%, 0.562%, 0.0005%, 0.0001%, 0.2376% et 0.0016%
respectivement. (Annexe14)
67
| 
