Université Mohammed V – Rabat

Faculté des Sciences Juridiques, Economiques et Sociales Agdal

Département : Sciences Economiques
Filière : Monnaie Finance Banque

Travail à faire sur :

Vérifier les hypothèses du MCO sur la base « application2 » et déterminer le meilleur

modèle : Étude sous EViews

Module : Econométrie financière

Effectuées par : Professeure :

Baldé Mamadou dian [Link]

Année universitaire : 2025/2026

1
 A- Estimation de la régression multiple sur Eviews

1. Mise en œuvre de l'équation d'estimation

L'équation d'estimation du modèle de régression est la suivante :
̂ =𝛽
ln(TC) ̂0 + 𝛽
̂1 ⋅ ln(PIBe) + 𝛽
̂2 ⋅ ln(PIBm) + 𝛽
̂3 ⋅ ln(TE)

• LPIBe = logarithme du PIB des pays partenaires à l’export

• LPIBm = logarithme du PIB du Maroc
• LTe = logarithme des termes de l’échange
• LTC = logarithme du taux de couverture
En utilisant les coefficients estimés :
̂ = −0.19798 + 2.796 ⋅ 𝐿𝑃𝐼𝐵𝑒 − 0.59 ⋅ 𝐿𝑃𝐼𝐵𝑚 − 0.706 ⋅ 𝐿𝑇𝐸
𝐿𝑇𝐶

2. Analyse des coefficients estimés

Puisque nous sommes dans un modèle log-log, chaque coefficient représente une élasticité.
L'interprétation est : une augmentation de 1% dans la variable explicative Xi entraîne un
changement de 𝛽̂𝑖 % dans le Taux de Couverture (LTC), ceteris paribus.

Coefficient : 𝛽̂1 = 2.796

Interprétation : Toutes choses égales par ailleurs, une augmentation de 1% du PIB des
principaux pays à l'export entraîne une augmentation du Taux de Couverture marocain
d'environ 2.80%.

2
 • Coefficient : 𝛽̂2 = −0.59
Interprétation : Toutes choses égales par ailleurs, une augmentation de 1% du PIB
marocain entraîne une diminution du Taux de Couverture d'environ 0.59%.

• Coefficient : 𝛽̂3 = −0.706200

Interprétation : Toutes choses égales par ailleurs, une augmentation de 1% du Terme de
l'Échange (ratio Prix Export/Prix Import) entraîne une diminution du Taux de Couverture
d'environ 0.71%.
2. Interprétation des tests de significativité des variables exogènes
Les tests de Student vérifient si l'élasticité est significativement différente de zéro. Le seuil de
significativité est généralement 𝛼 = 0.05
D’après le P-value, on peut dire que l’effet de nos variables explicatives sur le taux de
couverture est significatif au seuil de 5%.

Le 𝑹𝟐 et le 𝑹𝟐 Ajusté ajusté mesurent la qualité de l'ajustement du modèle aux données.

✓ 𝑹𝟐 : 0.521
o Interprétation : 52.18% de la variation totale du logarithme du Taux de
couverture est expliquée par les variations conjointes des variables en log du
PIB et du Terme de l'Échange.
✓ 𝑹𝟐 Ajusté : 0.462
o Interprétation : En corrigeant pour le nombre de variables explicatives (4,
incluant la constante) et le nombre d'observations 28, la capacité explicative du
modèle est de 46.20%.
5. Interprétation du test de significativité globale du modèle
Le test de Fisher permet de tester l'hypothèse nulle (ℎ0 ) selon laquelle toutes les élasticités
sont simultanément nulles.
• F-statistic : 8.727657
• Prob(F-statistic) : 0.000431
Puisque la prob-fisher 0.000431 est bien inférieure au seuil de significativité de 5% nous
rejetons l'hypothèse nulle.
Conclusion : Le modèle de régression est globalement très significatif. L'ensemble des
variables explicatives a une capacité significative à expliquer les variations du Logarithme du
Taux de Couverture.

3
 B- Vérification des hypothèses de MCO du modèle

1- Test d’homoscédasticité des erreurs : Test de White

D’après le test de white effectué, on constate que la P-value de F-statistic est 0.9244 qui est
supérieur à 0.05, donc on accepte l’hypothèse nulle. Ce qui revient à dire que la variance des
erreurs est homoscédastique (constante) au seuil de 5%.
2- Test de normalité des erreurs : Test de Jacque Bera

D’après le test de Jacque-Bera effectué, on constate que la P-value est de 0.712390 qui
est supérieur à 0.05, donc on accepte l’hypothèse nulle. Ce qui revient à dire que les
erreurs suivent une loi normale au seuil de 5%.

4
 3- Test d’autocorrélation des erreurs : Test de Breusch-Godfrey

La [Link] du test de breusch-Godfrey est supérieur à 0,05, donc il faut accepter

l’hypothèse nulle, ce qui revient à dire qu’il n’y a pas d’autocorrélation des erreurs pour 10
lags au seuil de 5%.
4- Test de Multicolinéarité : Variance inflation factor

Les VIF pour LPIBE (Logarithme du PIB des pays à l'export) et LPIBM (Logarithme du PIB
marocain) sont extrêmement élevés (environ 24.0 chacun).
Un VIF de 24.0 signifie que la variance du coefficient estimé est 24 fois plus grande qu'elle ne
le serait si cette variable n'était pas corrélée aux autres variables explicatives. La matrice de
corrélation des variables explicatives nous montre également cette corrélation entre les deux
variables. Même si LPIBe ≠ LPIBm économiquement, ces variables :

• Suivent une tendance mondiale commune

• Evoluent dans le même sens sur le long terme
• Sont influencées par le cycle économique global

5
 5- Correction de la multicollinéarité
L’analyse des facteurs d’inflation de la variance (VIF) met en évidence une multicolinéarité
sévère entre le logarithme du PIB des partenaires à l’exportation et le logarithme du PIB
marocain, avec des VIF supérieurs à 10. Cette situation s’explique par la co-évolution de ces
agrégats macroéconomiques dans le temps. Afin de corriger ce problème tout en conservant une
interprétation économique pertinente, ces deux variables ont été remplacées par le logarithme
du ratio du PIB des partenaires commerciaux sur le PIB marocain.
a- Génération de la nouvelle variable LPIB_rel

b- Réestimation du modèle avec la nouvelle variable

c- Le VIF du nouveau modèle

6
La réestimation du modèle montre une nette amélioration des VIF avec une abscence de
multicollinéarité entre les variables et une stabilité accrue des coefficients estimés.

d- Vérifions que les autres hypothèses du MCO sont vérifiées

Ainsi, nous constatons que les résidus du nouveau modèle sont homoscédastiques, suivent une
loi normale au seuil de 5%, et sont non autocorrélés pour 5 lags au seuil de 5 %, mais aussi avec
une absence de multicollinéarité entre les variables explicatives.

7
 C- Quel est le meilleur modèle adapté pour l’analyse de nos données ?

Pour déterminer le meilleur modèle économétrique adapté à nos données, il faut procéder à un
ensemble de tests statistiques et économétriques de nos variables ou séries temporelles.

1- Analyse de la stationnarité de nos variables : Test de racine unitaire ADF

Pour cette étape, nous allons faire appelle à la stratégie séquentielle de test de racine unitaire
expliquée pendant le cours : Testé le modèle 3 en premier (avec tendance et constante, puis le
modèle 2 (intercept), enfin le modèle 1(sans constante et tendance), afin de savoir si nos séries
sont stationnaires ou non.
Nous allons analyser la stationnarité de LPIBe, LTC, LTe, LPIBm.

➢ LPIBe

Modèle 3 Modèle 2

8
 Modèle 1

D’après ce qui précède, on peut conclure que notre série Lpibe n’est pas stationnaire, et il
s’agit d’une non stationnarité de type DS avec dérive.
Même procédure pour les autres séries : Récapitulatif dans le tableau
Lpibm Ltc Lte
Modèle 3 : trend non Modèle 3 : trend Modèle 3 : trend non significatif
significatif significatif Modèle 2 : intercept non significatif
Modèle 2 : intercept Modèle 2 : intercept Modèle 1 : pas de Racine Unitaire
significatif non significatif
Modèle 1 : présence de
Racine Unitaire
Conclusion : non Conclusion : non Conclusion : Stationnaire
stationnaire type DS avec stationnaire type DS
dérive sans dérive

2- Test de cointégration de nos séries : Test de Johansen

9
 ❖ Ordre d’intégration des séries

Séries LPIM LPIBE LTC LTE

Ordre d’intégration >2 2 >2 0

Conclusion sur les tests effectués et le choix complexe du modèle de nos données
D’abord, le test de racine nous a permis de savoir que nos séries ne sont pas toutes stationnaires,
et de savoir leur ordre d’intégration, chose qui est très important dans la détermination du choix
d’un modèle économétrique.
Ainsi, on constante que nos séries temporelles ne sont pas toutes stationnaire en niveau, ce qui
exclut le modèle VAR en niveau. De plus, nos séries ont des ordres d’intégration différentes et
surtout dont I (2) et I (3), ce qui exclut le modèle VECM, car le modèle VECM suppose que
les séries aient toutes un même ordre d’intégration I (1) et cointégrées, même si elles sont
cointégrées mais n’ont pas le même ordre d’intégration, le VECM ne peut être adapté. Le
modèle ARDL est également exclut, même s’il a cet avantage de faire face à l’exigence du
modèle VECM, c’est-à-dire sa capacité d’analyser à la fois les séries I (0) et I (1), il n’est pas
adapté à un ordre d’intégration supérieur à 1.
Par ailleurs, lorsque j’ai voulu tester la cointégration, je me suis confronté à deux à un dilemme,
le test de granger et Engel n’est pas robuste dans notre cas du moment ou on plus de deux
variables à analyser. Donc le test de Johansen et al semble être le plus adapté, mais n’est pas
aussi robuste lorsqu’on a des ordres d’intégration supérieur à 1. C’est le même problème pour
le Bound test du modèle ARDL qui n’est pas adapté lorsqu’on a des ordres d’intégration
supérieur à 1. Tous ces tests effectués dans telles situations peuvent donner des résultats erronés,
même si j’ai effectué le test de Johansen, et que les résultats nous pressage qu’il existe une
relation de cointégration entre ces variables, il faudrait juste être vigilant.
Mes analyses et réflexion se base sur l’explication du cours et mes lectures personnelles
d’articles et d’ouvrages (bouronnais 11e édition, l’ouvrage d’économétrie de professeur Oulhadj
lahcen, Damodar 2004).
Ces ordres d’intégration I (2) voir plus de certaines nos variables, s’expliquent-ils par des
facteurs spécifiques liés aux données ? Car je me rappelle bien lors d’une de vos explications
« c’est très rare de trouver rencontrer de telles types de séries d’ordre d’intégration supérieur à
I (2), de plus qu’une différenciation de plus de 2 ferrais perdre assez d’information dans
l’analyse... »
Bref, nos données ne sont pas adaptées aux modèles de séries temporelles multivariés étudiés à
présent, peut-être qu’elle est adaptée à d’autres modèles que j’ignore.

10