Memoire Online - Agriculture et croissance inclusive.

Avant de nous plonger dans la modélisation VAR, nous avons besoin d'étudier la stationnarité des variables que nous allons utiliser. Nous mettons en place des tests de racine unitaire sur les variables, afin de vérifier leur stationnarité. Si les variables ne sont pas stationnaires, c'est-à-dire qu'elles possèdent une racine unitaire, il sera nécessaire de les intégrer. Parmi les tests de racine unitaire, nous allons mettre en place le test de Dickey-Fuller augmenté. Ce test nous permet de tester l'hypothèse H0 : le processus est intégré au moins d'ordre 1.

Nous allons utiliser, aussi, les trois types de test admis par la méthode de Dickey-Fuller, qui correspondent à trois modèles différents : le modèle sans tendance et sans terme constant ; le modèle sans tendance

et avec terme constant ainsi que le modèle avec tendance et avec terme constant.

Le test de racine unitaire de Dickey-Fuller dont les résultats sont consignés dans le tableau ci-dessous nous permet de confirmer la stationnarité de la série ou de la série différenciée si la statistique ADF(négative) en valeur absolue est supérieure aux valeurs critiques de MacKinnon (VCM) en valeur absolue, ou la non stationnarité dans le cas contraire.

Ce test est effectué à l'aide du logiciel Eviews 7. Le tableau ci-dessous présente les résultats de ce test pour les quatre variables retenues (pour plus de détails cf. annexes) :

Variable	ADF	VCM au seuil de 5%	Ordre d'intégration	Décision
AGR	-5,95	-3,57	I(1)	Stationnaire	IND
-7,88	-3,61	I(2)	Stationnaire
SER	-6,92	-3,61	I(2)	Stationnaire
PIB	-5,22	-3,58	I(2)	Stationnaire

Sur ce tableau, la variable taux agriculture (AGR) est stationnaire en différence première (ou intégrées d'ordre 1). Les autres variables, notamment l`industrie (IND), le service (SER) et le produit intérieur brut (LPIB) sont intégrées d'ordre 2, c'est-à-dire stationnaires en deuxième différence. Ce qui nous amène à utiliser le modèle VAR(p) car toutes les variables sont devenues stationnaires.

3.3.2.3. La détermination (Recherche) du Lag optimal

L'estimation d'un modèle VAR exige le choix explicite de la longueur de retards dans les équations du modèle. Des choix alternatifs donneront des séries d'innovations différentes et probablement provoqueront une différence dans la décomposition des variances et la fonction des réponses impulsionnelles.

Pour déterminer le nombre de retards p du modèle VAR, nous allons utiliser les critères d'Akaike et de Schwarz pour des décalages h allant de 0 à 3. On retient le retard p qui minimise ces critères.

Lag	AIC	SC
0	87,54803	87,7464
1	84,84132	85,83318
2	83,24183	85,02717
3	82,8184	85,39723

Source : estimation de l'auteur avec le logiciel Eviews 7 AIC = Akaike Information Criterion SC = Schwarz Criterion

Le tableau 3.2 nous montre que le critère AIC est minimisé au troisième décalage par contre le critère de SC est minimisé au deuxième décalage. Ce qui nous place devant un dilemme mais selon le principe de la parcimonie, on accepte le modèle qui comprend moins de paramètres estimés. be plus, économiquement il est plus facile d'interpréter un VAR dont le décalage est 2 que celui qui a un décalage plus élevé. Ce qui nous amène à retenir un processus VAR(2). Nous pouvons maintenant estimer le modèle var.

bAGRt = a1 + b1 bAGRt-1 + c1 bAGRt-2 + d1 bbPIBt-1 + e1 bbPIBt-2 + f1 bbINbt-1 + g1 bbINbt-2 + h1 bbSERt-1 + i1 bbSERt-2 + v1

bbPIBt = a2 + b2 bAGRt-1 + c2 bAGRt-2 + d2 bbPIBt-1 + e2 bbPIBt-2 + f2 bbINbt-1 + g2 bbINbt-2 + h2 bbSERt-1 + i2 bbSERt-2 + v2

bbINbt = a3 + b3 bAGRt-1 + c3 bAGRt-2 + d3 bbPIBt-1 + e3 bbPIBt-2 + f3 bbINbt-1 + g3 bbINbt-2 + h3 bbSERt-1 + i3 bbSERt-2 + v3

bbSERt = a4 + b4 bAGRt-1 + c4 bAGRt-2 + d4 bbPIBt-1 + e4 bbPIBt-2 + f4 bbINbt-1 + g4 bbINbt-2 + h4 bbSERt-1 + i4 bbSERt-2 + v4

Où ai, bi, ci, di, ei, fi, gi, hi et ii sont les paramètres à estimer ; vi sont les termes d`erreur

Il y a quatre spécifications qui sont bien illustrées dans l`output ci-haut, mais dans le cadre de notre analyse nous allons plus s`appesantir sur l`équation du PIB et analyser les impacts de l`agriculture, de l`industrie et du service sur la croissance du PIB.

[0,34204] [2,34223] [0,18871] [-2,425]
DAGRt-1 + 2,369299 DAGRt-2 - 2,097033 DDINDt-1 + 0,268072 DDINDt-2

Agriculture et croissance inclusive.

3.3.2.2. Test de stationnarité sur les variables

3.3.2.3. La détermination (Recherche) du Lag optimal