You are on page 1of 73

1

ROYAUME DU MAROC
PREMIER MINISTRE
DEPARTEMENT DE LA PREVISION ECONOMIQUE ET DU PLAN
INSTITUT NATIONAL DANALYSE DE LA CONJONCTURE











Une modlisation en quations simultanes
des valeurs ajoutes du PIB non-agricole










Mmoire prpar pour laccs au grade
principal du cadre des ingnieurs
dapplication








Prpar par :
Ali ELGUELLAB









Septembre 2003
2
3


REMERCIEMENTS


Au terme de ce travail, je tiens exprimer mes sincres et
profonds remerciements Mr El AKKAOUI Ali,
Directeur de lInstitut National dAnalyse de la
Conjoncture (Inac), pour laide et lintrt apports ce
travail, pour son prcieux encadrement et pour les conditions de
travail, trs adquates, quil nous a permis tout au long des
annes que jai pass sous sa direction. Quil trouve ici
lexpression de ma forte reconnaissance et de ma profonde
gratitude.
Mes remerciements vont galement tous les membres de
lquipe de lInac qui ont contribu, de prs ou de loin,
laboutissement de ce travail.
Et je nen oublierai pas de les adresser ma grande famille,
et surtout ma mre et mon pre, pour leurs conseils et
soutien permanents.


4


AVANT-PROPOS



LInstitut National dAnalyse de la Conjoncture (Inac), en tant quentit o
jexerce actuellement mes fonctions dingnieur dapplication en
statistique, a t cr en dcembre 1998, par arrt du Ministre de la
Prvision Economique et du Plan, pour rpondre un besoin grandissant
en terme danalyse de court terme. LInac est charg dans ce sens de la
collecte et de lanalyse de linformation de conjoncture, et de llaboration
des prvisions court terme des principaux indicateurs de lactivit
conomique.


Etant un membre de son quipe, mes diffrentes activits en son sein
sinscrivent parfaitement dans ce cadre. Plus explicitement, elles peuvent
tre rparties en trois principaux axes : le premier consiste en un suivi de
conjoncture en matire du march boursier, qui fait partie intgrante des
publications trimestrielles de conjoncture de lInac (Note de conjoncture et
Point de conjoncture) ; le deuxime regroupe des recherches spcifiques
concernant les outils danalyse proprement dits et des tudes de cas lies
aux volutions conjoncturelles ; le dernier est un exercice de prvision des
performances de lconomie marocaine au niveau global (PIB non-agricole
et valeurs ajoutes sectorielles qui le composent). Dans ce dernier cadre,
deux travaux sont distinguer (tous les deux portent sur un horizon de
deux trimestres) : llaboration dindicateurs composites de croissance, et
llaboration dun modle en quations simultanes pour la prvision des
croissances sectorielles de lconomie marocaine.


Le prsent rapport, prpar pour ma participation au concours daccs au
grade principal du cadre des ingnieurs dapplication, se focalise sur le
dernier lment. Lobjectif in fine de ce genre de modlisation pour lInac,
est de se doter dun modle macroconomtrique densemble pour
lconomie marocaine, en vu de son utilisation pour lanalyse de la
conjoncture. A en arriver l, dautres objectifs, quon peut qualifier
dintermdiaires, ont t fixs. Lun dentre eux est la mise en cohrence
des prvisions des diffrents secteurs de lactivit conomique par le biais
dune modlisation en quations simultanes.

5


SOMMAIRE


Remerciements ............................................................................ 3
Avant-propos............................................................................... 4
Sommaire..................................................................................... 5
Liste des annexes.......................................................................... 6
Liste des tableaux......................................................................... 6
Introduction ................................................................................ 7

Premire partie :
Cadre thorique de la modlisation en quations simultanes

1.1. Forme structurelle et spcification du modle...................... 11
1.2. Problme de lidentification ................................................. 11
1.3. Estimation ............................................................................ 16
1.3.1. Systmes rcursifs .......................................................................... 16
1.3.2. Moindres carrs indirects (MCI) .................................................... 17
1.3.3. Doubles moindres carrs (2MC)..................................................... 19
1.3.4. Triples moindres carrs (3MC)....................................................... 21
1.4. Validation et simulation ....................................................... 24
1.4.1. Validation ex ante........................................................................... 25
1.4.2. Validation ex poste ......................................................................... 29
1.4.3. Etude variantielle ........................................................................... 32

Deuxime partie :
Application de la modlisation en quations simultanes aux valeurs
ajoutes du PIB non-agricole

2.1. Spcification et identification de la forme structurelle ......... 35
2.2. Estimation et validation ex ante............................................ 40
2.3. Simulation ex poste du modle .............................................. 43
2.4. Proprits variantielles du modle........................................ 46

Conclusion .................................................................................. 48
Bibliographie .............................................................................. 51
Annexes ....................................................................................... 53

6


Liste des annexes

Annexe 1 : Les variables du modle ............................................ 54
Annexe 2 : Rsultats des estimations du modle ......................... 59
Annexe 3 : Graphiques des rsidus.............................................. 64
Annexe 4 : Matrices des corrlations des erreurs......................... 66
Annexe 5 : Simulation statique du modle (3MC) ...................... 67
Annexe 6 : Simulation statique du modle (MCO) ..................... 69
Annexe 7 : Simulation dynamique du modle (3MC)................. 71
Annexe 8 : Simulation dynamique du modle (MCO) ............... 72
Annexe 9 : Rsultats de ltude variantielle du modle ............... 73


Liste des tableaux

Tableau 1 : Les quations structurelles du modle ...................... 39
Tableau 2 : Identification des quations du modle .................... 40
Tableau 3 : Simulation statique du modle ................................. 45
Tableau 4 : Simulation dynamique du modle............................ 45
Tableau 5 : Impacts annuels des trois scnarios sur les agrgats .. 47


7
Introduction

Aprs lengouement des annes 70 et 80, le recours aux grands modles macro-conomiques
pour la prvision et pour lanalyse des politiques conomiques sest attnu. Cette clipse
des grands modles trouve son origine, en plus des problmes inhrents poss par leurs
cots trs levs en terme de construction et de gestion, dans deux critiques essentielles,
dordre mthodologique, qui leur sont adresses.

La premire, celle de Lucas, remet en cause lhypothse de stabilit des comportements des
agents conomiques sous-jacente ces modles, notamment lorsque ils sont utiliss en
variantes. Cette critique se place dans le cadre de la thorie des anticipations rationnelles.
La deuxime critique est formule par Sims, et concerne la validit du dcoupage entre les
variables endognes et exognes. Sims en a propos une alternative, sous lappellation de
modle autorgressif vectoriel (VAR), trs conome en ce qui concerne les restrictions de
spcification a priori. Le dbat nest pas encore tranch ce niveau, puisque cette
alternative prsente elle aussi des faiblesses qui ont des consquences souvent dterminantes
sur les rsultats, notamment lorsquils sont utiliss pour lanalyse des politiques
conomiques (le choix du nombre de retards et de la mthode de stationnarisation).

La tendance qui prdomine actuellement est la construction de maquettes ou modles de
taille rduite, dont la pratique savre moins coteuse que ce soit pour sa mise en uvre ou
pour sa gestion ex post. Les deux critiques demeurent toujours de mise, puisque le principe
dlaboration est le mme, mais vraisemblablement avec moins dacuit.

La recherche dun petit modle, pour lestimation et la prvision des valeurs ajoutes
sectorielles non-agricoles de lconomie marocaine, sinscrit dans la ligne dune
proccupation : une modlisation en quations simultanes pour mettre en cohrence les
estimations et les prvisions, concernant la sphre de la production, labores jadis
sparment par les diffrents services de lInac. La valeur ajoute agricole est considre
comme exogne en raison de son talonnage particulier, bas, en labsence dindicateurs
8
infra-annuels, sur un calendrier du cycle vgtatif des diffrentes cultures. Il sagit, en
dfinitive, dun modle destimation et de prvision des huit secteurs du PIB non-agricole,
un horizon de deux trimestres.

Ce rapport mthodologique, qui fait le point sur ce travail de modlisation en quations
simultanes des valeurs ajoutes non-agricoles, est compos de deux parties. La premire est
thorique, et se propose de faire un survol sur les concepts et les tapes ncessaires la
confection de ce genre de modles : spcification et identification, estimation et validation.
La seconde partie englobe les tapes et les rsultats des travaux de construction du modle
simultan dtalonnage des valeurs ajoutes. La forme structurelle du modle se dessine
alors dune tude approfondie des secteurs dactivit et de leurs corrlations les uns les
autres. Son estimation est faite, en premier temps, en utilisant la mthode des triples
moindres carres et, en deuxime temps, par les moindres carrs ordinaires : ceci a t
largement facilit par le logiciel EViews, utilis pour cette tape. La validation du modle,
selon les deux approches destimation, est faite sur la base des simulations (statiques et
dynamiques) et par le biais de lanalyse variantielle.

9














Premire partie
Cadre thorique de la modlisation en
quations simultanes
10
Il est clair que la construction des modles simultans est une tache la fois ncessaire et
utile pour lanalyse conomique. Elle est indispensable car la thorie conomique nous
enseigne que les diffrents comportements des agents appartiennent un systme complet
dquations interdpendantes, cens dcrire la complexit du circuit conomique. Elle est
aussi utile, notamment pour les conjoncturistes, pour apprhender cette complexit des
phnomnes conomiques.

Lutilisation des modles densemble passe par plusieurs niveaux : primo, lanalyse de la
situation prsente, en vue de se rendre compte des volutions en cours ; secundo, la
projection conjointe des diffrents agrgats de lconomie dans un horizon qui est
spcifique chaque modle ; tertio, ltude de politiques conomiques, par le biais de
lanalyse en variantes.

Lobjet de cette premire partie est de prsenter, dune manire plus au moins dtaille, les
aspects thoriques de la modlisation en quations simultanes. Nous allons commenc,
tout naturellement, par les problmes que posent la spcification et lidentification dun
modle (paragraphes 1.1 et 1.2). Par la suite, sont prsentes les mthodes destimation les
plus utilises, savoir les systmes rcursifs, les moindres carrs indirects (les deux cas o
les moindres carrs ordinaires peuvent tre appliqus), les doubles moindres carrs et les
triples moindres carrs (paragraphe 1.3). Le dernier point de cette partie propose un
ventail de mesures, de tests et de techniques pour lacceptation, en dfinitive, dun modle
(paragraphe 1.4).

11
1.1. Forme structurelle et spcification du modle

Toute modlisation en quations simultanes ncessite a priori la prsence d'une forme
structurelle ; celle-ci tant un systme de relations entre les variables endognes et les
variables exognes. La mise en place de ce systme se base sur une connaissance approfondie
du phnomne tudi, qui se manifeste par une thorie conomique sous-jacente, ou/et se
base sur des connaissances empiriques.

En procdant ainsi, on dfinit des quations de comportement, censes dcrire, sous une
forme fonctionnelle, le comportement des variables endognes. En pratique, cette
description n'est pas toujours trs prcise, et laisse de facto une partie lala. Cette
composante alatoire doit satisfaire une batterie de tests, une condition sine qua non
l'acceptation de l'quation de dpart.

La juxtaposition des quations de comportement ne suffit pas dfinir un modle cohrent.
Sont utilises alors des liaisons logiques entre les variables qui ne ncessitent pas des
estimations conomtriques. Ces relations peuvent tre de type comptable, qui permettent
dans ce cas d'assurer la cohrence quantitative de certains concepts; ou des identits
d'quilibre, ayant un caractre thorique, en vu d'expliciter la thorie conomique sous-
jacente.

1.2. Problme didentification

Avant toute rsolution d'un modle quations simultanes, il faut tout d'abord s'assurer
de son identification. Un modle est dit identifiable si on peut dterminer sa forme
structurelle partir de sa forme rduite.

D'un point de vue moins schmatique, la question d'identification revient la possibilit
d'estimer le modle partir d'un nuage de points constitu par les variables exognes et
endognes. A priori, trois cas se prsentent : le premier est la sous-identification, ce qui
signifie que la formulation du modle adopt ne permettra pas son estimation, d'o
12
l'obligation de sa reformulation ; le deuxime cas est relatif des modles exactement
identifiables (o le passage dans les deux sens entre la forme structurelle et la forme rduite
sont dtermins), et le troisime cas est celui des modles sur-identifis, o le passage de la
forme rduite la forme structurelle n'est pas direct. Ce dernier cas est frquent dans la
pratique des quations simultanes.

Considrons le modle suivant, comportant G variables endognes
i
y et K variables
exognes
j
x :


t t t
u x By = +
(1)

avec
(
(
(
(

=
(
(
(
(

=
K
t
G
t
x
x
x
x
y
y
y
y
M M
2
1
2
1
; et
t
u vecteur des rsidus.

Lexpression (1) sappelle la forme structurelle du modle en t. C'est lexpression du modle
telle quelle est spcifie par la thorie sous-jacente. En la multipliant par B-1, on obtient la
forme suivante :


t t t
v x y + = (2)
avec =
1
B et
t t
u B v
1
=

Lexpression (2) sappelle la forme rduite du modle. Cette dernire est lexpression
rsolue des variables endognes en fonction des variables exognes. Sous cette forme
rduite, il est possible dappliquer, chacune des quations du modle, la mthode des
moindres carrs. On obtient ainsi tous les coefficients ij de la matrice .

Par contre, la connaissance de la matrice ne permet pas, en gnral, de retrouver les
matrice B et puisque le nombre des paramtres structurels (au plus G+GK) est
suprieur celui des paramtres rduits (GK), do le problme de lidentification.
13

Un modle est identifiable sil est possible dobtenir sans ambigut la forme structurelle
partir de la forme rduite. Ainsi, lidentification suppose lobtention de B, et u partir
de et v .

Le nuage de points (y,x) permet, en effet, la dtermination des coefficients de la matrice .
L'identification des paramtres structurels de B et dpend donc de l'information
supplmentaire contenue dans le modle structurel (habituellement sous forme de
restrictions).

Pour dgager les conditions d'identification en prsence de restrictions, nous rcrivons la
forme structurelle (1) de la manire suivante :

| |
t
t
t
t
u
x
y
B z A =
(

= (3)

La premire quation peut s'crire ainsi :
t t
u z
1 1
= , et les restrictions sur cette premire
quation peuvent tre groupes sous la forme matricielle suivante :

0
1
= (4)

o a (G+K) lignes et autant de colonnes qu'il y a de restrictions, suppos R, sur la
premire quation.

Les relations entre les coefficients de la forme rduite et de la forme structurelle peuvent
tre crites selon la formulation : 0 = + B ou : 0 = W A , avec
t
k
u
I
W =
(

= . Cette
criture quivaut, pour la premire quation, :


0
1
= W
(5)

14
De (4) et (5), on aura : | | 0
1
= W (6)

Donc, il s'agit d'un systme de (K+R) quations (G+K) inconnus (les lments de
1
),
puisque la connaissance de

implique que les lments de | | W soient connus.


L'identification de la premire quation exige donc que le rang de cette matrice soit gal
G+K-1, puisque toutes les solutions de l'quation (6) sont alors situes sur une mme droite
passant par l'origine. En normalisant la premire quation (en posant un coefficient gal
1),
1
est alors dtermin d'une faon unique.

Malgr que cette condition d'identification (rang = G+K-1) n'est pas commode, car
ncessitant la connaissance de , mais elle dbouche sur une condition ncessaire
d'identification, simple appliquer. Etant donn le nombre de colonne de | | W est gal
(K+R), cette condition ncessaire d'identification est vrifie si :

K+R G+K-1 ou R G-1 (7)

Il en dcoule quen tenant compte de ces restrictions, la condition ncessaire
d'identification d'une quation est que : le nombre de restrictions a priori ne doit pas tre
infrieur au nombre d'quations du modle moins 1.

Lorsque les restrictions ne sont que des restrictions d'exclusion, cette condition devient : le
nombre de variables prdtermines exclues de l'quation doit tre au moins gal au
nombre de variables endognes inclues moins 1.

Si on note k le nombre de variables prdtermines prsentes dans lquation et g le
nombre de variables endognes courantes dans lquation, alors R=(G-g)+(K-k), et la
condition de lidentification peut tre crite sous la forme : K-kg-1. Autrement dit, le
nombre de variables prdtermines exclues de l'quation doit tre au moins gal au nombre de
variables endogne inclues moins 1.


15
En outre, trois cas de figure se prsentent :
Si K-k<g-1, on dit que lquation est sous-identifie. Dans ce cas, il faut rcrire
lquation ;
Si K-k=g-1, on parle dune quation exactement identifiable ;
Si par contre K-k>g-1, on dit que lquation est sur identifie.

Les restrictions, vues jusqu prsent, sont des restrictions homognes, mais nempche que
dautres types peuvent se prsenter selon le contexte. Dans ce sens, on trouve :

Les identits : les identits elles-mmes ne posent pas de problmes d'identification. Un
modle contenant des identits peut tre formul de deux faons. Dans l'une, toutes les
identits apparaissent explicitement dans le modle. Dans l'autre, elles sont intgres
dans d'autres quations structurelles par substitution. En fait, l'limination des
identits ne change aucune conclusion relative l'identification des quations de
comportement soit sous forme originale ou sous forme modifie1 (la solution adopte
par Eviews).

Les restrictions linaires non homognes : parfois, il arrive que la thorie conomique
nous impose des restrictions non homognes (dans le sens o certains coefficients ou
combinaisons linaires des coefficients ne prennent pas la valeur 0), comme dans le cas
de la fonction de production o la somme des lasticits doit tre gale 1. Dans ce cas,
ces restrictions deviennent homognes avec la rgle de normalisation et, de ce fait, on
se ramne au raisonnement des restrictions homognes.

Les restrictions croises : la thorie peut suggrer aussi des restrictions croises, qui
portent sur plusieurs quations simultanment. Ces dernires peuvent aider assurer
l'identification, et ncessitent, comme pour le cas prcdent, la normalisation de toutes
les quations du modle.


1
Les identits, lorsquelles sont introduites en tant que telles, et parce quelles ne contiennent pas llment perturbateur,
cause un problme de singularit pour la matrice des variances-covariances des rsidus du systme.
16
Les restrictions sur la matrice des variances : La seule hypothse faite pour le moment
sur les perturbations est l'absence d'autocorrlations, une mme date, entre les
perturbations des diffrentes quations structurelles. L'introduction de ce type de
restrictions peut aussi aider l'identification du modle.

1.3. Estimation

L'estimation des modles simultans pose des problmes. A premire vue, on peut se poser
la question suivante: est-il possible destimer un modle partir de sa forme structurelle,
avec la mthode des moindres carrs ordinaires, mthode classique pour les quations
linaires simples ? En effet, l'application de cette dernire des quations simultanes
dbouche sur des estimations biaises et non convergentes, sous l'effet, pour une quation
donne, de la prsence ventuelle dautres variables endognes, ce qui induit une corrlation
entre les perturbations de ladite quation et les variables explicatives qui y sont prsentes.

En revanche, les moindres carrs ordinaires peuvent tre appliqus la forme rduite dun
modle exactement identifiable, ou la forme structurelle dun modle rcursif. En cas de
sur-identification, dautres mthodes ad hoc, savoir entre autres les doubles moindres
carrs (2MC) et les triples moindres carrs (3MC), sont appliques. Les trois premires
mthodes sont essentiellement des techniques portant sur une seule quation, sans
lutilisation de toute linformation contenue dans la spcification dtaille du modle. Les
3MC est, par contre, une mthode qui fait recours cette information.

1.3.1. Systmes rcursifs

Pour que le systme (1) sus-mentionn soit un systme rcursif, il lui faudrait deux
caractristiques :
La matrice B est triangulaire ;
La matrice (matrice des variances-covariances des rsidus) est diagonale.


17
En partant des rsidus de la forme rduite, il en rsulte de la premire caractristique :

=
=
=
) ...., , , (
....
) , (
) (
2 1
2 1 2
1 1
n n
u u u f y
u u f y
u f y


Donc, en descendant dans les quations du systme, on peut estimer le modle, quation
par quation, par la mthode des MCO. Cela est d, en plus de lindpendance suppose
entre les perturbations des diffrentes quations, au fait que dans la k
me
quation, les
variables
i
y , avec i<k , ne sont pas corrles avec
k
u , les perturbations de ladite quation.

1.3.2. Moindres carrs indirects (MCI)

Les moindres carrs indirects sont applicables dans le cas dune quation qui est exactement
identifie. Lestimation par la mthode des MCI se fait en deux tapes :

1
re
tape : estimation des paramtres de la forme rduite (2) par les MCO. Cela revient
rgresser chaque variable endogne sur lensemble des variables exognes :


^
= Y X X X ' ) ' (
1
(8)

avec X et Y, deux matrices de taille de (nK) et (nG) respectivement, dfinies de la sorte :

) (
1
) (
1
'
'
;
'
'
G n
n
K n
n
y
y
Y
x
x
X

(
(
(

=
(
(
(

= M M

2
me
tape : calcul des coefficients structurels par une transformation algbrique des
estimations des coefficients de la forme rduite.

18
En effet, crivons lquation que nous voulons estimer sous la forme :

y=Y1 +X1 +u (9)

o
y : vecteur n1 des observations de la variable endogne de lquation ;
Y1 : matrice n(g-1) des observations des autres (g-1) variables endognes courantes de
lquation ;
X1 : matrice nk des observations des k variables prdtermines de lquation ;
u : vecteur n1 des perturbations de lquation.

Lquation structurelle (9) peut tre crite ainsi :

| | u X X Y Y y =
(
(
(
(
(

0
0
1
2 1 2 1



avec Y2 et X2 sont des matrices dobservations sur les G-g variables endognes et sur les K-k
variables prdtermines qui sont exclues de lquation.

Les relations entre les quations structurelles et les quations rduites sont donnes dans
lquation (2) dj vue, que lon peut rcrire sous la forme :

' ' ' = B (10)

Les relations donnant les coefficients de lquation structurelle (9) sont alors :


(
(
(


0
1
' =
(

(11)

19
En portant dans cette quation la relation (8), on obtient les estimateurs des MCI sous la
forme des vecteurs b et c en rsolvant


(
(
(

0
b Y X X X
1
' ) ' (
1
=
(

0
c
(12)

La question cruciale est de savoir si les vecteurs b et c sont uniques. Le systme (12) est
quivalent, en remarquant que Y=(y Y1 Y2), :
(

=

0
) ' ( ' ) ' (
1
1 1
c
b Y X X y X X X
Ce qui donne :

= +
= +
y X c X X b Y X
y X c X X b Y X
2 1 2 1 2
1 1 1 1 1
' ) ' ( ) ' (
' ) ' ( ) ' (
(13)

On est en prsence dun systme de K quations [(g-1)+k] inconnus. Avec la condition
didentification de cette quation, K-k=g-1, nous avons le mme nombre dquations que
dinconnus, de sorte que le systme (13) donne en gnral des solutions uniques pour b et c.

1.3.3. Doubles moindres carrs (2MC)

En pratique, la technique des MCI est une procdure beaucoup moins utilise, car il est rare
quune quation soit exactement identifie. Par contraste, les doubles moindres carrs est
une technique plus applique et plus gnrale, dans la mesure o elle est valable tant pour
les quations exactement identifies que pour les quations sur-identifies.

La technique des 2MC consiste, pour l'quation (9), remplacer Y1, tant donn sa
corrlation avec les perturbations u, par une matrice
1

Y , qui soit dbarrass de l'lment


alatoire, puis de faire une rgression par les MCO de y en
1

Y et X1.

20
Premirement, pour le calcul de
1

Y , on rgresse toutes les variables endognes de la matrice


Y1 sur toutes les variables prdtermines du systme :
1

Y = X(X'X)
-1
X' Y1.

Deuximent, on rgresse y sur
1

Y et X1 , en recourant aux variables instrumentales


2

contenus dans la matrice | |
1 1
'

X Y , d'o les estimateurs


(

c
b
de
(

, donns par :


(

=
(

y X
y Y
c
b
X X Y X
X Y Y Y
1
1
1 1 1 1
1 1 1 1
'
'

'

'
'

'

(14)

Par ailleurs, il est signaler qu'il n'est pas ncessaire de calculer explicitement
1

Y , mais on
peut calculer les estimateurs des 2MC directement partir des observations effectivement
faites.

En crivant Y1 comme suit : Y1 =
1

Y + V1 avec V1 la matrice des rsidus des MCO. Selon


les proprits habituelles des MCO (
1

Y V1=0 et XV1=0), et avec les dveloppements


ncessaires, on peut obtenir les estimateurs des 2MC par la formule suivante (quivalente
(14)) :


(

=
(

y X
y X X X X Y
c
b
X X Y X
X Y Y X X X Y Y
1
1 -
1
1 1 1
'
1
1 1 1
1 -
1
'
' ) ' ( '
'
' ' ) ' ( '
(15)

Un problme se pose quelquefois dans l'application des 2MC aux quations des modles
conomtriques de taille moyenne ou grande (le nombre de variables prdtermines peut
devenir aussi grand que le nombre d'observations). Dans le cas o le nombre d'observations

2
La mthode des variables instrumentales est utilise lorsque on ne peut pas maintenir lhypothse dindpendance entre
les variables explicatives et les perturbations. Elle consiste estimer, par les MCO, le modle dorigine, multipli par une
matrice compose de variables qui doivent tre non corrles avec les rsidus, et fortement corrles avec les variables
exognes (de ce modle dorigine). Gnralement, on retient comme variables instrumentales les variables explicatives
retardes dune priode.
21
(n) est infrieur ou gal au nombre des variables prdtermines (K), les estimateurs de
2MC sont quivalents ceux des MCO
3
.

Plusieurs suggestions ont t faites dans ce sens. Kloek et Mennes proposent de remplacer la
matrice X2 dans la rgression de la premire tape par un nombre plus faible de
composantes principales. Cette approche soulve nanmoins plusieurs difficults : la
premire concerne le nombre de ces composantes principales utiliser ; la deuxime a trait
au critre de choix de ces dernires, dans la mesure o quelques-unes de ces composantes
principales choisies sur la base des valeurs propres les plus grandes peuvent ne pas apporter
une information pertinente pour l'estimation de Y1. Pour rsoudre ce problme, les auteurs
ont propos des composantes qui prsentent la plus faible corrlation avec X1. Par ailleurs,
Klein en a propos de calculer initialement, une fois pour toutes, les composantes
principales de l'ensemble complet des variables prdtermines et den choisir un sous-
ensemble dans la premire tape de l'estimation.

1.3.4. Triples moindres carrs (3MC)

Les deux prcdentes mthodes d'estimation, savoir les MCI et les 2MC, sont
essentiellement des techniques information limite, dans la mesure o l'information
complte sur les autres quations structurelles du modle n'est pas prise en compte. En
principe, cette information sur la structure complte, si elle est correcte, donne des
estimateurs d'une grande efficacit asymptotique que ceux obtenus par des mthodes
information limite.

La premire prsentation des 3MC est due Zellner et Theil. Considrons la i
me
quation
d'un modle G variables endognes (
i
y et
i
Y ) et K variables prdtermines (
i
X ):


i i i i i i
u X Y y + + = (16)


3
Cf. JOHNSTON J., Mthodes conomtriques, tome 2, page 565.
22
qu'on peut rcrire sous la forme :

i i i i
u y + = (17)
avec | |
(

= =
i
i
i i i i
et X Y Z


En multipliant (17) par X, matrice nK on a :


i i i i
u ' ' ' + = (18)

et la matrice des variances-covariances des perturbations de (18) est

=
' '
) ' (
ii i i
u u (19)
avec I u u
ii i i
= ) (
'


La forme de l'quation (18) suggre l'application des moindres carres gnraliss (MCG),
tant donn le caractre non sphrique de la matrice relative aux perturbations.

L'estimateur (des MCG) di de i est donc
4
:

| |
i i i i i
y d
' 1 - ' '
1 -
' 1 - ' '
) ( ) ( ( = (20)

Etant donn que les estimateurs MCG peuvent tre interprts comme quivalents des
estimateurs MCO sur des donnes convenablement transformes, et en multipliant les
lments de lquation (18) par une matrice P dfinie telle que5 :
(X'X)-1=PP'
on a alors :

i i i i
v W w + = (21)

avec
i i i i i i
u X P v Z X P W y X P w ' ' ; ' ' ; ' ' = = =

4
La formule (20) est une autre criture, en remplaant
i
Z par son expression, de lestimateur 2MC de lquation (17).
5
La matrice P existe puisque XX est dfinie positive.
23

La matrice des variances-covariances des rsidus de lquation (21) est donne par :
I v v E
ii i i
= ) ' (

L'application des MCO (21) donne d
i
=(W
i
W
i
)
-1
W
i
w
i


Le modle peut s'crire ainsi :

v W w + =
(22)
avec
(
(
(
(
(

=
(
(
(
(

=
g G
v
v
v
v et
W
W
W
W
2
1
2
1
...


et la matrice des variances pour le vecteur v est :

I
I I I
I I I
I I I
vv E V
GG G G
G
G
=
(
(
(
(

= =



...
... ... ... ...
...
...
) ' (
2 1
2 22 21
1 12 11
(23)

Les estimateurs des 3MC sont, en fait, simplement l'estimateur SURE
6
de dans le systme
(22). Cela est d la nature de la matrice V, qui prsente des autocorrlations non nulles
entre les perturbations des diffrents quations du modle. La seule difficult est que la
matrice est inconnue. Les auteurs proposent d'estimer d'abord chaque quation par les
2MC de faon obtenir les vecteurs des rsidus suivants : G i d Z y u
i i i i
,..., 1 ; - = = , o di
est lestimateur 2MC de .

Les lments de sont alors estims par :
n
u u
s
j i
ij
'
= pour tout i et j, donnant I V =

.


6
Seemingly unrelated regression equations. Il est propos par Zellner dans le cadre de lestimation par les moindres carrs
gnraliss.
24
L'estimateur des 3MC de est alors :
w V W W V W d
MC
1 1 1
3

' )

' (

= (24)

et la matrice des variances asymptotiques est estime par :
1 - 1 -
)

' ( W V W

On peut calculer aussi d3MC directement l'aide des donnes observes par :
i ij MC
B A d =
3

avec : llment typique de Aij est
j i
ij
Z X X X X Z s ' ) ' ( '
1
;
llment typique de Bi est
j i
ij
G
j
y X X X X Z s ' ) ' ( '
1 -
1

=

et s
ij
sont les lments de
1




Par ailleurs, une condition ncessaire d'efficacit suprieure des estimateurs des 3MC
(mthode d'estimation information complte) sur les estimateurs 2MC ou MCI (mthodes
d'estimation information incomplte) est que la spcification du modle complet soit
correcte. Gnralement, plus le systme est grand et dtaill, plus il est difficile que sa
spcification soit correcte.

En outre, les estimateurs des 3MC sont identiques aux estimateurs des 2MC sous deux
conditions : absence de corrlations entre les perturbations des diffrentes quations
structurelles ( j i
ij
= 0 ) ; et toutes les quations soient exactement identifies (dans ce
cas, on a en plus lquivalence entre les trois mthodes 3MC, 2MC et MCI).

1.4. Validation et simulation

La validation dun modle est une tape cruciale et une condition ncessaire son
acceptation et son adoption par lutilisateur. Cette validation est faite gnralement selon
trois niveaux. Le premier, quon peut qualifier de validation ex ante, qui va de pair avec
lestimation du modle, consiste en une srie de tests conomtriques sur les paramtres et
sur les rsidus, en vue de sassurer de leurs proprits standard. Au deuxime niveau,
d'autres mthodes, plus au moins rigoureuses, sont applicables plus spcialement pour
25
tester le modle dans sa composante prvisionnelle, savoir les simulations ex-post et les
prvisions ex-post. Jusque l, il sagit de procdures visant tester les proprits purement
empiriques du modle. Le troisime niveau permet en effet de complter cette composante
de la validation du modle en se focalisant sur ses proprits logiques et thoriques, par le
biais de lanalyse variantielle. Cette dernire permet dexaminer les mcanismes mis en
uvre dans le modle, et den tester la cohrence vis--vis des soubassements la fois
empiriques et thoriques qui ont prsid sa construction.

1.4.1. Validation ex ante

Considrant le modle simple K variables exognes suivant :
u X u x y
K
i
i i
+ = + =

=

1
(25)
avec y la variable endogne,
i
x les variables exognes et n le nombre dobservations.

Rappelant aussi les hypothses sous-jacentes ce modle, ncessaires son estimation par
les moindres carrs ordinaires (MCO) :
1. la linarit du modle ;
2. ) , 0 ( I N u , cette criture englobe, en plus de la normalit des rsidus, la nullit de
leur moyenne, la constance de leur variance (homoscdasticit) et leur non
autocorrlation ;
3. X est non alatoire et de plein rang, ce qui veut dire que les variables prdtermines
sont observes sans erreur, et ne sont pas linairement dpendantes.

Soit b lestimateur des MCO de , alors :
y X X X b ' ) ' (
1
= (26)
et le vecteur des rsidus estims e est donn par : Xb y e =

Lanalyse de la variance lie ce modle implique la formule fondamentale suivante :

26

SCR SCE SCT
e y y y y
t t t
t t t t
+ =
+ =

2
) ( ) (
(27)

En dautres termes, la variabilit totale (SCT) est la somme de la variabilit explique (SCE)
et de la variabilit des erreurs (SCR).

La validation ex ante du modle prcdent consiste alors en plusieurs mesures et tests :
qualit de lajustement, test de signification et stabilit des paramtres, test sur les
autocorrlations des rsidus et test sur leur homoscdasticit.

La qualit de lajustement du modle est gnralement apprciable en recourant au
coefficient de dtermination corrig R , dfini par :

) 1 (
1
1
1 R
K n
n
R


= (28)

avec R est le coefficient de dtermination dfini par :
SCT
SCE
R =

Le test de signification des paramtres du modle se fait sur la base de la statistique
suivante :
i
b
i
b
t

= , avec
i
b est le i
me
lment de b et
i
b
son cart type estim. Cette
statistique suit une loi de Student
) ( K n
t

sous lhypothse nulle : 0 :
0
=
i
b H , et permet de
la tester (rejeter
0
H ) au seuil , selon la rgle suivante :


tabule
K n
calcule
b
t t
i
2 / ); (
>
(29)

En plus de la signification des paramtres, un autre critre est tout aussi important
vrifier, en loccurence leur stabilit. En effet, si les paramtres ne vrifient pas cette
proprit, cela implique une modlisation non robuste. Les tests les plus connus dans ce
27
sens sont le test de point de rupture et le test de prvision, tous les deux proposs par
Chow.

Le principe du premier est assez simple et consiste estimer le mme modle en plusieurs
sous-priodes et de comparer, par la suite, les valeurs des paramtres respectifs issus de ces
diffrentes estimations. En cas de deux sous-priodes, Chow a propos la statistique
suivante :


) 2 /( ) ' ' (
/ ) ' ' ' (
2 2 1 1
2 2 1 1
K n u u u u
K u u u u u u
F
+

= (30)

avec
1
u et
2
u sont respectivement les vecteurs des rsidus des deux sous-priodes. Cette
statistique suit une loi de Fisher
) 2 , ( K n K
F

si les rsidus sont indpendants et identiquement
distribus selon une loi normale. Lhypothse nulle tant lgalit des paramtres respectifs,
on conclut linexistence de points de rupture dans le modle si la valeur de F dpasse le
seuil critique.

Le deuxime test de Chow se focalise sur laspect prvisionnel du modle, en partant du fait
que des coefficients stables impliquent des prdictions, hors chantillon destimation, ayant
des probabilits dtermines de se trouver lintrieur dintervalles dtermins partir des
donnes dchantillonnage. Le principe de ce test est proche de celui du premier, sauf que
dans ce cas, on se limite une seule estimation des paramtres sur la premire sous-priode,
et en utilisant les rsultats de cette estimation, on prvoit la variable dpendante du modle
sur le reste de lchantillon. Ce test est bas sur la statistique suivante :


) /( '
/ ) ' ' (
1 1 1
2 1 1
K n u u
n u u u u
F

= (31)

avec
1
n et
2
n sont respectivement les nombres dobservations des sous-priodes de
lestimation et de la prvision. Cette statistique suit une loi de Fisher
) , (
1 2
K n n
F

si les rsidus
sont indpendants et identiquement distribus selon une loi normale. Une grande valeur de
28
cette statistique nous amne rejeter lhypothse que le mme vecteur est valable pour
toutes les donnes de lchantillon.

Pour dtecter une ventuelle autocorrlation des perturbations, le test de Durbin-Watson
est le plus utilis, malgr quil se contente de tester lexistence dune autocorrlation dordre
1. Les hypothses de ce test sont les suivantes : 0 : ; 0 :
1 0
= H H , avec est dfini
tel que :


) , 0 (
2
1 v t t t t
t t t
N v v u u
u X y


+ =
+ =

(32)

La statistique du test est donne par :

=
=

=
n
t
t
n
t
t t
e
e e
DW
1
2
2
1
) (
(33)

Les valeurs de DW sont comprises entre 0 et 4. Afin de tester lhypothse
0
H , Durbin et
Watson ont tabul les valeurs critiques de DW, au seuil de 5%, en fonction de la taille de
lchantillon (n) et du nombre de variables explicatives (K). La lecture de la table permet de
dterminer deux valeurs
1
d et
2
d , avec lesquelles, on peut conclure, selon la valeur de DW
calcule par le modle, suivant le schma ci-aprs :
-
2 2
4 d DW d < < , on accepte lhypothse
0
H ;
-
1
0 d DW < < , autocorrlation positive ;
- 4 4
1
< < DW d , autocorrlation ngative ;
-
2 1
d DW d < < ou
1 2
4 4 d DW d < < , zone de doute.

Ce test ne reste pas valable toutefois lorsque la variable explique figure, avec un retard,
dans les variables explicatives. Dans ce cas, ce dernier est remplac par le test du h de
Durbin. La statistique de ce test est :

29

2
1
1
2
1
DW
avec
N
N
h
b
=

(34)

1
b tant le coefficient correspondant la variable explique retarde. Cette statistique suit
une loi normale centre rduite. Si h>1,645, alors on rejette lhypothse nulle au seuil de
5% en faveur dune autocorrlation positive dordre 1. Lautocorrlation dordre suprieur
1 peut tre teste laide de la visualisation du corrlogramme des erreurs. Le test de
Student, reprsent dans ce dernier par les deux bandes, gnralement au risque de 5%,
permet de conclure au rejet de lhypothse nulle, pour un ordre donn, si lautocorrlation
correspondante ne dpasse pas ces deux bandes.

Etant donn limportance de lhypothse dhomoscdasticit des erreurs pour lestimation
du modle par les moindres carrs ordinaires, sen assurer est une tache qui simpose. Pour
ce faire, on recourt, entre autres, au test de White. Ce dernier consiste faire une rgression
auxiliaire des carrs des rsidus des MCO sur une constante et sur toutes les variables non
redondantes dans lensemble, formes par les variables explicatives, leurs carrs et leurs
produits. Sous lhypothse dhomoscdasticit, la quantit nR suit asymptotiquement une
loi de
) 1 (

q
o q est le nombre de variables dans la rgression auxiliaire.

1.4.2. Validation ex poste

Les simulations ex poste sont effectues sur l'ensemble de la priode d'estimation. En
principe, tant que cette simulation donne de bons rsultats, tant que le modle est meilleur.
En distinguera en fait :
Les simulations statiques, qui prendront en compte, chaque priode, pour les variables
retardes, leurs valeurs historiques. Il s'agit en ralit d'une suite de projections
indpendantes horizon d'une priode.
Les simulations dynamiques, qui utiliseront les rsultats de simulation de priodes
prcdentes.

30
En plus de l'observation visuelle des carts, toute une thorie a t dveloppe dans ce sens
et notamment par Theil. Si on note
t
y la prvision de la variable
t
y l'instant t, on dfinit
alors :

- La racine carre de l'erreur quadratique moyenne, RMSE :


) (
1
1
t t
T
t
y y
T
RMSE =

=
(35)

Une erreur quadratique moyenne faible indique la fois une faible variance de l'erreur et
une erreur moyenne rduite puisqu'on a :
T T y y moyenne RMSE
y y
/ ) 1 ( ) (
2

+ =

(36)

- L'erreur absolue moyenne MAE :


=
=
T
t
t t
y y T MAE
1
/ 1
(37)

Comparativement au MAE, le RMSE donne un poids relativement plus grand aux erreurs
plus importantes.

- Pourcentage de l'erreur absolue moyenne MAPE :


=

=
T
t
t
t t
y
y y
T MAPE
1

/ 1
(38)

Le choix entre un critre en niveau (RMSE et MAE) et un critre en valeur relative
(MAPE, ou coefficient de variations) est dict par la nature de la variable. En gnral, le
deuxime est plus pertinent, mais le critre absolu sera utilis pour les variables ayant une
forte variabilit (notamment celles dont le signe est indtermin) ou pour les variables
dfinies en valeur relative (taux d'intrt, taux de croissance).
31

- Le coefficient de Theil, calcul par :


+
T
t
T
t
y T y T
RMSE
1
2
1
2
/ 1 / 1
(39)

Ce coefficient est toujours compris entre 0 et 1, et autant sa valeur est proche de 0, autant
lestimation de y est bonne.

En dcomposant l'erreur quadratique moyenne, on obtient la dcomposition de Theil avec
:
+ Proportion du biais :

) (
RMSE
y y
(40)
+ Proportion de la variance :

) (

RMSE
s s
y y

(41)
+ Proportion de la covariance :

) 1 ( 2

RMSE
s s r
y y

(42)

Avec
y y
s s ,

les carts-types des prvisions et des ralisations et r le coefficient de


corrlation entre ces deux variables. Par construction, la somme des trois proportions vaut
1. La premire quantit indique la part de l'erreur due au biais ; la deuxime, la part de
l'erreur due la diffrence des variances et la dernire mesure le reste non-systmatique de
l'erreur. Une bonne estimation ou une bonne prvision sont celles o les deux premires
proportions sont faibles et dont l'erreur est concentre dans la proportion de la covariance.

Le principe des prvisions ex post consiste simuler le modle sur une priode n'ayant pas
t utilise pour l'estimation. Cela a videmment le dsavantage de rduire la taille de
l'chantillon, dj faible en gnral. La procdure envisageable dans ce cas serait d'estimer le
modle sur moins de priodes que le modle oprationnel. Cela suppose que les coefficients
des deux modles ne soient pas significativement diffrents. Le problme se ramne donc au
test de validation ex ante (test de Chow par exemple) appliqu aux quations individuelles.

32
1.4.3. Etude variantielle

L'utilisation d'un modle macro-conomtrique pour l'analyse des variantes est utile pour
deux raisons : premirement, tester les proprits de celui-ci en recourant un examen
logique de ses mcanismes mis en uvre (la conformit de ses proprits la thorie
conomique qui a t la base de sa construction), et deuximement, analyser ces politiques
conomiques proprement dit.

Le principe de lanalyse variantielle est de simuler le modle avec un choc exogne une
date donne. Par la suite, on sintresse la rponse des variables endognes donne par le
modle, quon dnomme couramment variante analytique. La prsentation dune variante
consiste comparer le rsultat dune simulation aprs avoir introduit le choc, avec une
simulation sans ce choc. Cette dernire simulation est appele compte central ou
variante de rfrence. Sur le pass, elle peut tre constitue de donnes historiques, tandis
que pour des dates futures, elle peut de mme correspondre une projection.

Selon le type de choc effectu, on distingue trois types de variantes : les variantes choc
entretenu, o la modification est prolonge indfiniment ; les variantes choc ponctuel, o
le changement disparat ds la deuxime priode ; et enfin les variantes en escalier, o le
choc est amplifi chaque priode dune amplitude identique. Linterprtation des rsultats
du dernier type est souvent difficile, alors que le premier prsente un avantage descriptif,
dans le sens o les graphiques qui lui sont associs permettent mieux de distinguer les
volutions. Par ailleurs, pour les variantes choc ponctuel, il est difficile faire cette
distinction en raison du retour rapide des variations vers zro.

Toutefois, lutilisation des variantes pose un problme gnrique trs srieux li la
sparabilit, en premier lieu, entre les variables exognes et les variables endognes du
modle, et, en deuxime lieu, entre le compte central et les autres variantes analytiques.

Le premier problme tient au fait que le modle exclut de son champ de comptences les
interdpendances entre les variables exognes, et les causalits allant des variables endognes
vers les variables exognes. Plus explicitement, un choc sur une variable prdtermine peut
33
toucher ventuellement les autres variables de mme nature du modle, et les rponses des
variables endognes peuvent, elles aussi, avoir des effets de retour sur ces variables exognes.

La deuxime difficult, plus connue sous le nom de critique de Lucas, est la sparabilit
suppose entre le compte central et la variante analytique. En effet, ce nest pas toujours le
cas, puisque le comportement des agents conomiques, reprsent par les coefficients
structurels du modle, peut changer la suite dune mesure de politique conomique. Cela
implique que lutilisation des modles conomtriques en variantes doit se faire en principe,
pour chaque variante, avec une nouvelle estimation de ces coefficients structurels, ce qui est
impossible en pratique. Mais il nen demeure pas moins que, en sefforant de dpasser ce
problme, une analyse des anticipations des agents conomiques, eu gard ces mesures de
politique conomique, est suggre.

34














Deuxime partie
Application de la modlisation en
quations simultanes aux valeurs
ajoutes du PIB
35
Conscient de la ncessit et de lutilit des modles quations simultanes pour mener
bien une analyse de la conjoncture conomique, et vu le but recherch, en loccurrence la
mise en cohrence des prvisions sectorielles de lconomie marocaine, un modle
simultan a t labor pour lestimation et la prvision des valeurs ajoutes qui composent
le PIB non-agricole. Cette modlisation devrait permettre en principe de dcrire, le mieux
possible, les ventuelles interdpendances qui relient les diffrents secteurs dactivit, et, par
la suite, daider le conjoncturiste laborer un discours intgr, quant aux volutions
attendues.

La deuxime partie de ce rapport se consacre aux tapes parcourues pour la mise au point
de ce modle. Elle est compose de quatre paragraphes. Le premier (paragraphe 2.1), traite
des problmes lis la spcification de sa forme structurelle et son identification. Cette
dernire est estime en recourant deux mthodes, savoir les moindres carrs ordinaires
et les triples moindres carrs. Les rsultats de cette tape, ainsi que les critres et tests qui y
sont lis, sont donns dans le deuxime paragraphe (2.2). Les validations ex post font lobjet
des deux derniers paragraphes : tout dabord, la simulation du modle (paragraphe 2.3), et
ensuite, ltude de ses proprits variantielles (paragraphe 2.4).

2.1. Spcification et identification de la forme structurelle

Pour le problme pos dans cette note mthodologique, savoir une modlisation en
quations simultanes des valeurs ajoutes non-agricoles, la base de la forme structurelle,
retenue pour l'estimation, est constitue partir plusieurs tapes : tout d'abord, la
recherche d'une information statistique exogne, la plus exhaustive possible pour chaque
secteur de la nomenclature du PIB hors agriculture. Pour ce faire, on s'est bas sur les
documents techniques des services concerns pour chacun des secteurs et les documents de
la Direction de la Statistique disponibles sur les comptes trimestriels. A noter ici que toutes
les variables, prsentant une saisonnalit, ont fait lobjet dune dsaisonnalisation laide de
la mthode X11-ARIMA.

36
En outre, cette recherche dindicateurs pertinents est complte par une tude affine de ces
secteurs. Au dpart, le choix de la forme dtalonnage est effectu parmi les quatre formes
standard, selon quon ajoute une constante et une tendance ou pas, aux variables
explicatives. Par la suite, on a lanc une recherche dventuelles interdpendances entre les
composantes du PIB. L'approche adopte est, premirement statistique, par le biais des tests
de causalit de Granger et des coefficients de corrlation, et, deuximement conomique, en
recourant aux coefficients techniques du tableau entres-sorties labor pour l'exercice
1990.

En effet, les tests de causalit de Granger mens a priori dans ce cadre sont importants dans
la mesure quils permettent de dterminer les variables riches en information eu gard des
variables endognes du modle. On distingue par ailleurs la causalit non instantane et la
causalit instantane. Pour la dtection de la premire, Granger propose de tester la nullit
des paramtres relatifs au pass de la variable explicative X, dans la rgression de la variable
explique Y sur le pass de X et Y. Par contre, dans le cas de la causalit instantane, il sagit
de tester la nullit du paramtre relatif au prsent de X dans la rgression de Y sur X. Ce
dernier peut tre remplac par une analyse dtaille des corrlations instantanes, simples et
partielles.

Lanalyse conomique est faite partir de la matrice des consommations intermdiaires.
Plus explicitement, il sagit, pour une branche/secteur donn i (ligne i), dune lecture des
deux vecteurs suivants :


j
ij
ij
CI
CI
a = et
i
ij
ij
CI
CI
p = (43)

avec
ij
CI la consommation intermdiaire de la branche j en produit i;

=
j
ij i
CI CI la consommation intermdiaire totale en produit i ;

=
i
ij j
CI CI la consommation intermdiaire totale de la branche j .

37
La lecture des coefficients techniques
ij
a permet de dceler les secteurs les plus
consommateurs, dans leur technique de production, du produit du secteur en question.
Tout ceci est pondr par la part des secteurs les plus consommateurs dans les ventes totales
dudit secteur (les coefficients
ij
p ).

Le lien entre les variables expliquer et les variables explicatives, choisies par leur
pertinence, nest pas toujours parfait, comme on aurait souhait. Ce type de problme est
trait selon le cas qui se prsente. Ainsi, pour le secteur nergtique, on a not un net
dcalage, durant toute lanne 1995, entre laccroissement de sa valeur ajoute et celui de
son indice de production, ce qui indique, en labsence dinformation exhaustive pour cette
anne, un changement radical dans les termes de la fonction de production du secteur, dans
le sens du partage de cette dernire entre la consommation intermdiaire et la rmunration
des autres facteurs. Le problme vu de cette faon, on a ajout une variable indicatrice de
changement de niveau pour combler ce dphasage, car sinon, le terme autorgressif de
lquation correspondante devient tellement important que cette dernire devient faible en
prvision (Cf. tableau 1).

Il se trouve aussi que des variables incorporent des points aberrants trs marqus, et dont
les variables explicatives correspondantes ne peuvent pas expliquer. Cest le cas
essentiellement des valeurs ajoutes du Btiment et travaux publics , de ladministration,
et de lindice de la production minire (Cf. annexe 1, tableau B). Lampleur de laberration
est minime dans le dernier cas, mais consquent pour les deux autres (allant de 10% plus
de 30%). Dans ces cas de figure, on a ajout aussi des indicatrices pour rsoudre le problme
et pour ne pas changer au niveau des observations. (Cf. figure 1).











38
Figure 1 : Les indicatrices du modle
-1. 5
-1. 0
-0. 5
0. 0
0. 5
1. 0
1. 5
92 93 94 95 96 97 98 99 00
I DA
- 1. 5
- 1. 0
- 0. 5
0. 0
0. 5
1. 0
1. 5
92 93 94 95 96 97 98 99 00
I DB
-0. 5
0. 0
0. 5
1. 0
1. 5
92 93 94 95 96 97 98 99 00
I DE
- 0. 5
0. 0
0. 5
1. 0
1. 5
92 93 94 95 96 97 98 99 00
I DM


En dfinitive, laboutissement de ces tapes a dbouch sur le choix de 40 variables, dont 16
variables endognes et 24 variables exognes (trois variables pour la dflation), sur la
priode allant du premier trimestre 1992 jusquau dernier trimestre de 2000, priode choisie
pour lestimation (Cf. annexe 1).
La formulation des quations individuelles, une fois toute linformation exogne est tablie
et toutes les interdpendances sont testes, est base sur la mthode des moindres carrs
ordinaires. Ce raisonnement est d'autant plus valable ce stade que seule la formulation (et
non sa quantification) qui compte le plus. Les quations de comportement (Cf. tableau 1)
ainsi confectionnes, vont permettre d'expliquer en amant, avec un niveau significatif, les
volutions des diffrentes valeurs ajoutes qui composent le PIB ( l'exception de la valeur
ajoute agricole), ainsi que les volutions des autres variables endognes du modle
(quelques indices de production). Pour les complter, des identits ont t ajoutes au
modle pour le calcul du PIB, du PIB hors agriculture et du PIB marchand hors agriculture.
A posteriori, le modle tabli permet, en lui injectant toute l'information exogne
demande, de donner les estimations et les prvisions de toutes les variables endognes.

Sur le plan de lidentification du modle, et avec un total de 36 variables exognes prsentes
(y compris la constante) dans le systme d'quations (non compris les identits comptables),
toutes les quations savrent sur-identifies (Cf. tableau 2). D'un point de vue
39
conomtrique, on aurait d interprter l'identification des identits (avec l'introduction du
nombre de restrictions prsentes dans chaque cas). Mais en revanche, il est plus commode
que ces dernires ne soient introduites qu'au niveau de la simulation (Cf. renvoie 1, page
10).






Tableau 1 : Les quations structurelles du modle
Equations de comportement
(*)

INDUSTRIE VAI
t
= a
1,1
IPI
t
+ a
1,2
VAI
t-1
[1]
MINES VAMt =a 2,1 IPMt+ a 2,2 VAM
t-1
+ a 2,3 Tt [2]
IPMt =a 3,1 IPPHt + a 3,2 IPMMt +a 3,3 IDMt [3]
IPPHt = a 4,1 PPHt +a 4,2 IPPHt-1 [4]
IPMMt = a 5,1 PCUt + a 5,2 PZCt + a 5,3 PPBt + a 5,4 Tt [5]
PPHt = a 6,1 XPHt + a 6,2 XPHt-1 + a 6,3 IPCHt + a 6,4 PPHt-1 [6]
ENERGIE VAEt = a 7,1 IPEt+ a 7,2 VAEt-1 + a 7,3 IDEt [7]
IPEt = a 8,1 PELt + a 8,2 PMOt + a 8,3 IPEt-1 + a 8,4 IPEt-2 + a 8,5 [8]
BTP
VABt = a 9,1 HMt-6 + a 9,2 IMMt-4 + a 9,3 INVt-1 + a 9,4 IDBt
+ a 9,5 VABt-1 + a 9,6
[9]
ADMINISTRATION VAADt = a 10,1 FONCt + a 10,2 IDAt + a 10,3 VAADt-1 [10]
COMMERCE VACt = a 11,1 VAIt + a 11,2 VAAGt + a 11,3 IMPt-2 + a 11,4 VACt-1 [11]
SERVICES MARCHANDS VASt = a 12,1 CREDt + a 12,2 NUITt + a 12,3 VAADt-4
+ a 12,4 VASt-1 +a 12,5
[12]
TRANSPORT ET
COMMUNICATION
VATCt =a 13,1 VACt + a 13,2 VASt + a 13,3 VAADt-1 + a 13,4 [13]
Equations comptables
(*)

PIB = VAI + VAM + VAE + VAB + VAAD + VAC
+ VAS+ VATC + VAAG
PIBHA = PIB - VAAG
PIBMHA = PIBHA - VAAD
[14]

[15]
[16]
(*): LES VARIABLES SONT INTRODUITES SELON LEURS MNEMONIQUES ETABLIS EN ANNEXE 1, TABLEAU A.
SOURCE : AUTEUR.

40

Tableau 2 : Identification des quations du modle
Equations k g Equations k g
(1) 2 1 (8) 4+1 1
(2) 2 2 (9) 5+1 1
(3) 1 3 (10) 3 1
(4) 1 2 (11) 3 2
(5) 4 1 (12) 4+1 1
(6) 4 1 (13) 1+1 3
(7) 2 2
Notes :
k : nombre de variables exognes prsentes dans l'quation ;
g : nombre de variables endognes prsentes dans l'quation.
Source : auteur.

2.2. Estimation et validation ex ante

Lestimation du modle a t effectue en premier temps par les triples moindres carrs et,
en deuxime temps, par les moindres carrs ordinaires. Ceci est dict par deux motivations :
la premire est notre volont de pouvoir faire un choix a posteriori entre deux mthodes
destimation, une information complte (3MC), et lautre information limite (MCO),
et de juger de la port de chacune pour la problmatique pose. La deuxime tient la
possibilit dapplication des MCO notre modle, du fait que ce dernier peut tre
considr comme un systme rcursif. Tout dabord, la matrice B de sa forme structurelle
est triangulaire :

B Y


1 0 0 0 0 0 0 0 0 0 0 0 0 VAI
0 1 0 0 0 0 0 0 0 0 0 0 0 PPH
0 0 1 0 0 0 0 0 0 0 0 0 0 IPMM
0 -A 4,1 0 1 0 0 0 0 0 0 0 0 0 IPPH
0 0 -A 3,1 -A 3,2 1 0 0 0 0 0 0 0 0 IPM
0 0 0 0 -A 2,1 1 0 0 0 0 0 0 0 VAM
0 0 0 0 0 0 1 0 0 0 0 0 0 IPE
0 0 0 0 0 0 -A 7,1 1 0 0 0 0 0 VAE
0 0 0 0 0 0 0 0 1 0 0 0 0 VAB
0 0 0 0 0 0 0 0 0 1 0 0 0 VAAD
-A 11,1 0 0 0 0 0 0 0 0 0 1 0 0 VAC
0 0 0 0 0 0 0 0 0 0 0 1 0 VAS
0 0 0 0 0 0 0 0 0 0 -A 13,1 -A 13,2 1 VATC


41
Le second lment qui donne la possibilit dapplication des MCO est que la matrice des
corrlations des rsidus (Cf. annexe 4), issus de lestimation, est significativement proche de
la matrice identit (le test de Bartlett sur la nature sphrique de cette matrice indique quon
peut accepter cette hypothse avec un risque de 5%).

Le niveau de signification des diffrentes quations savre acceptable ( R
2
0,89),
lexception des quations 5 et 6 (Cf. annexe 2, tableau B). La faiblesse de lexplication de la
relation 5 peut trouver son origine dans la volatilit des variables exognes quelle contient,
lesquelles ne reprsentent pas la totalit des composantes de la variable endogne mais une
large partie
7
. Quant la relation 6, on peut noter le rle des dcalages
8
entre la variable de la
production et la variable des exportations dans la formation des rsidus de cette quation.
Les rsultats des deux mthodes destimation nont pas t divergents malgr quon ait
enregistr un avantage des MCO de 0,4 point, sur une chelle de 100, (avec un cart-type de
tant) en terme du niveau de signification sur les 3MC.

Linterprtation des paramtres issus des deux estimations semble conomiquement aise,
tant donn la domination des valeurs positives, sauf notamment pour le coefficient A9,3
relatif linvestissement publique, retard dun trimestre, dans lquation 9, et pour le
coefficient A12,3 correspondant la valeur ajoute administrative retarde dune anne, dans
lquation 12 (Cf. annexe 2, tableau A).
Par contre, pour ces deux quations, leurs coefficients sont jugs largement stables par les
deux tests de Chow
9
(Cf. annexe 2, tableau C
10
). Pour les autres quations du modle, on
conclut la mme chose sauf pour les quations 6 et 7, o la non stabilit est nette
(statistique de Fisher est suffisamment leve). Dans le cas de cette dernire, le problme
dinstabilit du lien entre la valeur ajoute nergtique et lindice de production du secteur
a t dj voqu, et a t partiellement corrig par lajout dune indicatrice (IDE). Pour
lquation 6, qui modlise la production des phosphates, cette instabilit est due une

7
La mme quation estime sur la priode 1988 :1-2000 :4 donne un niveau dexplication de 0,77.
8
On note ici labsence dune variable exogne infra-annuelle qui peut nous renseigner sur ce dcalage.
9
A signaler que ces tests portent sur lensemble des coefficients dune relation.

10
Pour des raisons de logiciel, lapplication des tests de stabilit des coefficients de Chow et dhomoscdasticit sest
limite aux rsidus du modle estim par les MCO, mais les conclusions de ces tests, appliqus au modle estim par les
3MC, ne doivent pas diverger de celle du premier, en raison notamment du rapprochement troit entre ces rsidus (Cf.
annexe 3)

42
certaine volatilit accrue observe, avant 1994, au niveau de deux variables (PPH et IPCH)
par contraste la troisime (XPH). Au-del de cette date, les profils de ces trois variables,
qui composent cette relation, semblent significativement identiques.

Par ailleurs, les coefficients A6,2 , A9,5 , A11,5 pour lestimation des 3MC, et A5,4 , A6,2 , A9,1 ,
A9,5 pour lestimation des MCO savrent non significatifs sur la base du test t-Student. A ce
niveau, on a prfr les garder pour se conformer la forme structurelle choisie a priori,
malgr que ce choix implique des cart-types substantiels pour ces paramtres.

Les rsidus des diffrentes quations semblent grosso modo conforme aux hypothses
standard, lexception de quelques cas limits. Au niveau de lautocorrlation dordre 1,
seules les erreurs de la relation 5 en manifestent. Les rsidus des quations 4, 5 et 7 font
apparatre une autocorrlation dordre 4 (positive pour les deux premires et ngative pour
lautre), tandis quune autocorrlation dordre 2 est observe au niveau des relations 4 et 11
(Cf. annexe 2, tableau B et D). Nanmoins, et sauf pour lquation 4, toutes les autres
autocorrlations dtectes ne sloignent pas trop des deux limites qui correspondent au test
de signification de Student au niveau de 5%, ce qui signifie quon peut accepter la nullit de
ces autocorrlations avec un risque lgrement au-dessus, mais infrieur 10%.

Lhomoscdasticit des rsidus est vrifie pour les relations du modle lexception des
quations 6, 10 et 11 (Cf. annexe 2, tableau E
10
). Pour la sixime, lhtroscdasticit de ces
erreurs rejoint la non stabilit de ces coefficients. Sur la base du graphique de ces erreurs
(Cf. annexe 3), on peut distinguer trois phases : deux aux extrmits de la priode
destimation avec une variabilit nettement suprieure celle de la troisime phase observe
au milieu de la priode. Dans le cas de la relation 10, concernant ladministration,
lhtroscdasticit de ces erreurs trouve son origine dans le fait que les dpenses de
fonctionnement (variable explicative) manifestent une variabilit relativement constante
durant toute la priode destimation, alors que celle de la valeur ajoute administrative va
en diminuant. Pour lquation 11, modlisant le comportement du secteur du commerce,
cette non constance de la variance des rsidus est due un changement de volatilit au
niveau des variables explicatives : une variabilit importante pour la valeur ajoute agricole
43
durant la priode allant de 1991 1996, et pour les importations en volume partir de
1998.

La juxtaposition des rsultats de diffrents critres et tests de validation ex ante des deux
estimations fait apparatre un avantage de la mthode des 3MC en terme des coefficients
structurels, dans le sens que leurs cart-types correspondants sont, pour une grande partie,
moins importants que ceux issus de la mthode des MCO. Par contre, cette dernire est
meilleure au niveau de la qualit de lajustement et de lautocorrlation des erreurs (Cf.
annexe 2, tableau B). En revanche, ces conclusions doivent tre relativises par le fait
essentiel que les diffrences constates entre ces critres sont faibles, ce qui rejoint
parfaitement le rapprochement, observ dj, des rsidus respectifs des diffrentes quations
du modle (Cf. annexe 3).

2.3. Simulation ex poste du modle

L'application de la simulation statique au modle indique un pourcentage d'erreur absolu
moyen infrieur 4% pour les trois agrgats, pour toutes les valeurs ajoutes et selon les
deux techniques d'estimation (MCO et 3MC). De mme, la statistique de Theil est
significativement proche de 0 ( 2,1%) (Cf. tableau 3).

La dcomposition de Theil indique une forte concentration de l'erreur dans sa composante
non systmatique ; la part due au biais est faible et ne dpasse pas 3% ; celle due une
divergence entre les variances ne dpasse pas 12% : les variables les plus touches sont VAI,
VAE, VAC et VATC.

La comparaison entre les deux estimations indique que la diffrence des variances, pour les
3MC, est plus faible, en moyenne de 3 points, relativement celle des MCO. En d'autres
termes, l'erreur non systmatique est plus prsente dans le modle estim par les 3MC que
dans celui estim par les MCO. Ce dernier prsente toutefois un avantage en terme des
critres de la moyenne (coefficient de Theil, MAPE, MAE, RMSE). Cette comparaison
peut toutefois apparatre moins pertinente, comme ce fut le cas pour ltape prcdente,
44
dans la mesure o l'erreur relative absolue moyenne est largement faible et ne laisse pas
apparatre de diffrences notables.

Pour des raisons de logiciel, la simulation dynamique du modle sest limite deux annes
: 1998 et 1999. Au total, il s'agit de huit exercices de prvisions pour deux trimestres
chacun. L'analyse des rsultats de la simulation dynamique consistera donc en l'analyse de
la prvision du deuxime trimestre, la prvision du premier trimestre dans ce cas tant la
mme que celle gnre par la simulation statique.

Au niveau de la statistique de Theil et de l'erreur relative absolue moyenne, on ne
remarque pas de diffrences notables (infrieures 0,5 point) entre les deux trimestres de
prvisions (Cf. tableau 3 et 4). Par contre, au niveau de la dcomposition de Theil, des
divergences apparaissent : une augmentation significative de la part de l'erreur due aux
variances pour le PIBHA pour les deux estimations ; au niveau du biais, on note que sa part
a augment de 5 points pour le PIB et le PIBHA, et de 10 points pour le PIBMHA
comparativement la prvision du premier trimestre. Nanmoins, ces conclusions doivent
tre relativises eu gard le nombre dobservations de la simulation dynamique.














45
Tableau 3 : Simulation statique du modle
Dcomposition de Theil

RMSE MAE Moy MAPE Theil
Biais Variance Cov
Modle estim par les 3MC
PIB 279.0 219.6 25.04 0.007 0.005 0.008 0.002 0.990
PIBHA 279.0 219.6 25.04 0.008 0.005 0.008 0.009 0.983
PIBMHA 188.7 145.7 27.15 0.007 0.004 0.020 0.006 0.974
VAI 51.6 41.6 -0.93 0.008 0.005 0.000 0.120 0.880
VAM 35.5 28.9 -1.36 0.032 0.019 0.001 0.002 0.997
VAE 55.4 39.6 0.45 0.029 0.020 0.000 0.078 0.922
VAB 36.5 28.8 0.14 0.022 0.014 0.000 0.046 0.954
VAAD 177.8 138.1 -2.10 0.027 0.017 0.000 0.003 0.997
VAC 111.7 85.2 -1.96 0.013 0.009 0.000 0.020 0.980
VAS 45.8 36.5 0.06 0.010 0.006 0.000 0.010 0.990
VATC 84.3 67.8 0.68 0.035 0.021 0.000 0.023 0.977
Modle estim par les MCO
PIB 235.8 196.6 22.81 0.006 0.004 0.009 0.047 0.943
PIBHA 235.8 196.6 22.81 0.008 0.004 0.009 0.064 0.927
PIBMHA 153.7 117.1 25.69 0.006 0.004 0.027 0.088 0.884
VAI 51.4 41.9 -1.58 0.008 0.005 0.001 0.088 0.911
VAM 35.4 29.1 -1.63 0.032 0.019 0.002 0.013 0.985
VAE 56.0 39.9 -0.29 0.029 0.020 0.000 0.073 0.927
VAB 35.9 28.2 0.00 0.022 0.014 0.000 0.061 0.939
VAAD 175.1 132.1 -2.88 0.026 0.017 0.000 0.001 0.999
VAC 94.9 74.7 -0.64 0.012 0.007 0.000 0.094 0.906
VAS 45.1 35.3 0.00 0.010 0.006 0.000 0.040 0.960
VATC 82.8 65.4 -0.21 0.034 0.020 0.000 0.071 0.929
Lgende (pour tableaux 3 et 4) :
Moy : Moyenne simple des erreurs ;
Theil : Coefficient de Theil ;
Cov : La proportion de la covariance.
Source : auteur.




Tableau 4 : Simulation dynamique du modle
Dcomposition de Theil

RMSE MAE Moy MAPE Theil
Biais Variance Cov
Modle estim par les 3MC
PIB 354.2 316.5 -55.52 0.009 0.005 0.021 0.037 0.939
PIBHA 354.2 316.5 -55.52 0.011 0.006 0.021 0.410 0.565
PIBMHA 230.6 211.2 -60.86 0.009 0.005 0.061 0.202 0.728
Modle estim par les MCO
PIB 383.7 357.3 -102.62 0.011 0.006 0.063 0.044 0.884
PIBHA 383.7 357.3 -102.62 0.013 0.007 0.063 0.386 0.543
PIBMHA 260.1 244.3 -98.47 0.011 0.006 0.125 0.172 0.685
Source : auteur.

46
Visuellement, l'exercice de prvision pour l'anne 1998 s'est caractris par une sous-
estimation, toutefois infrieure 2%, sur les quatre trimestres de cette anne. Quant
l'anne suivante, on ne soulve pas de tendance apparente pour les erreurs, et leurs
moyennes ne dpassent pas 1% (Cf. annexes 7 et 8).

On note finalement que les erreurs dcrites plus haut concernent seulement les prvisions
des variables endognes du modle, au nombre de 16, auxquelles il faut ajouter
ventuellement l'erreur de prvision lie aux variables exognes concidentes, au nombre de
16 galement, dont certaines de celles-ci peuvent prsenter des erreurs plus importantes
11
.

2.4. Proprits variantielles du modle

Il est clair que le modle dcrit jusqu' prsent est limit d'un point de vue thorie macro-
conomique, car une grande partie des travaux de construction de la forme structurelle est
empirique. Par consquent, l'analyse des politiques conomiques, par le biais de ce modle,
s'avre tre un exercice pas trop imposant, et cela, d'autant plus qu'il n'intgre pas toutes
les variables de politique conomique (masse montaire, impt, etc), et qu'il n'a concern
que la sphre de la production.

En revanche, l'tude variantielle du modle peut tre effectue, pour tester sa cohrence
certes, mais aussi pour analyser les effets d'un ou plusieurs secteurs de l'conomie sur les
autres
12
. Dans ce sens, on a adopt trois scnarios : le premier implique une augmentation
annuelle de la valeur ajoute agricole de 20% ; le deuxime est un choc positif de 5% sur
l'indice de production industrielle ; Le troisime est une combinaison des deux premiers
scnarios. Il sagit donc de chocs entretenus pendant quatre trimestres.






11
Tous ces tests de validation sont labors en considrant linformation exogne au modle comme observe, ce qui
diffre du contexte rel de lutilisation a posteriori de ce modle, o lerreur de prvision sur ces variables exognes peut
tre importante.

12
Les modles inputs-outputs de Lontief sont les plus performants dans ce sens.
47
Tableau 5 : Impacts annuels des trois scnarios sur les agrgats
Premire anne
(*)
Deuxime anne

SC1 SC2 SC3 SC1 SC2 SC3
Rponses brutes en %
PIB 3,73 1,04 4,77 -0,04 -0,18 -0,22
PIBHA 0,05 1,28 1,33 -0,05 -0,21 -0,26
PIBMHA 0,06 1,61 1,68 -0,06 -0,26 -0,32
Elasticits
(**)

PIB 0,187 0,208 0,395 -0,002 -0,036 -0,038
PIBHA 0,003 0,256 0,259 -0,003 -0,042 -0,045
PIBMHA 0,003 0,322 0,325 -0,003 -0,052 -0,055
(*) : La premire anne correspond lanne du choc.
(**) : Pour le troisime scnario, il sagit de la somme des lasticits des deux autres scnarios.
Source : auteur.

En terme de rsultas, l'impact est positif sur les agrgats : pour le PIB, il est de 3,7% pour le
premier scnario, de 1% pour le deuxime (Cf. tableau 5). Le rsultat du troisime n'tant
autre que la somme des rsultats des deux premiers (ceci trouve son origine dans la forme
linaire du modle). En terme dlasticit, cette simulation en variantes indique des
sensibilits similaires, du PIB vis--vis des deux secteurs choqus (agriculture et industrie),
qui slvent 0,2. En outre, le secteur agricole prsente un impact direct timide sur les
autres activits de lconomie, par le biais du commerce et du transport et communication,
de 0,003% pour une augmentation de 1% de la valeur ajoute agricole.

Pour l'anne suivante, on observe des rponses ngatives, mais toutefois d'une ampleur
faible (infrieure en valeur absolue 0,1% pour le PIB, 0,3% pour le PIBHA et 0,4% pour
le PIBMHA). Ces impacts ne concernent en ralit que le premier trimestre puisque les
effets des diffrentes variantes sestompent partir du deuxime trimestre de la deuxime
anne. Le sens ngatifs des impacts concerne les deux secteurs, ce qui indique le mme sens
pour la dynamique du modle un trimestre de retard.


48
Conclusion

Il apparat que les rsultats du modle simultan dtalonnage des valeurs ajoutes non-
agricoles, dcrit prcdemment, sont largement satisfaisants pour les agrgats eu gard les
objectifs dfinis initialement pour ce travail. Les erreurs destimation et de prvision ne
dpassent pas 2% pour les agrgats (PIB, PIBHA et PIBMHA), tant en simulation statique
ou pour un horizon de deux trimestres. En outre, ces erreurs se conforment visiblement
aux proprits standard.

En revanche, au niveau sectoriel, on peut relever quelques insuffisances et notamment pour
les deux relations du secteur minier et pour lquation qui dfinie le comportement de la
valeur ajoute commerciale. Le problme pos par cette dernire est li la non stabilit
la fois de ses coefficients structurels et la volatilit variable de ses perturbations. La
cinquime quation du modle souffre dune insuffisance de linformation exogne, donc,
comme on peut sy attendre, fait apparatre un faible ajustement. La sixime quation, qui
modlise le comportement de la production des phosphates, manifeste les mmes
insuffisances que celle mentionne en premier.

Une autre lacune, cette fois-ci dordre gnral, a t releve lorsque le modle a fait lobjet
de lexercice de validation par le biais de lanalyse variantielle. En effet, la dynamique du
modle un trimestre reste ngative. Toutefois, cette constatation devrait tre bmolise
par deux lments : le premier est que la rponse du modle observe a t la suite de
variantes concernant seulement deux secteurs (industrie et agriculture) ; le deuxime tient
au fait que cet effet est dune ampleur faible, mme si son sens est ngatif.

La comparaison entre les mthodes destimation utilises noffre pas la possibilit de faire
un choix simple et tranquille. En dpit de ltroitesse des diffrences entre les valeurs des
critres de validation, les moindres carrs ordinaires disposent dun avantage en terme de la
qualit globale dajustement, tandis que les triples moindres carrs ont donn des
estimateurs plus stables, que ce soit pour les paramtres structurels ou pour les rsidus du
modle.
49

Les interdpendances dcrites par le modle traduisent, d'une faon peu ou prou
significative, les ralits de la sphre relle de l'conomie nationale. En effet, et comme cela
t mis en vidence antrieurement par une analyse en composantes principales, trois
secteurs se dmarquent avec des volutions relativement indpendantes, savoir les mines,
le BTP et dans une moindre mesure l'nergie. Les secteurs les plus concerns par ces jeux de
corrlation sont : le secteur du commerce, tir par lindustrie et lagriculture ; le secteur des
services, avec l'administration comme exogne ; et le secteur des transports et
communication influenc par les secteurs du commerce, des services et de l'administration.

Il est vrai que le calcul des corrlations sur des donnes brutes (avec la prsence de leurs
sentiers de croissance) a tendance donner des interdpendances fortes, du fait du
paralllisme des sentiers de croissance. En revanche, cette approche na pas une porte aussi
limite pour trois raisons : la premire est la faiblesse des corrlations partielles entre les
secteurs : la mesure de Kaiser-Meyer-Olkin
13
, calcule pour toutes les valeurs ajoutes du
PIB, donne une valeur de 0,83, proche de 1. La deuxime est que l'exprience des modles
macro-conomtriques a gnralement port sur des variables avec leurs composantes
tendancielles, sauf dans le cas o la thorie conomique indique une relation entre variables
en variation. La troisime est que la mise en vidence d'une corrlation empirique entre
deux variables (en niveau ou en variation) ne garantit pas a priori la signification de leurs
coefficients estims ou, au moins, son sens vis--vis de celui de la corrlation calcule au
dpart.

Une des voies choisie pour amliorer la qualit de ce modle est lutilisation des modles
correction derreur (ECM), qui se basent sur la thorie de la cointgration. Ce type de
modlisation permet en fait un meilleur ajustement, puisque elle distingue, dans une
relation de comportement, la cible ou lquilibre de long terme (relation entre les sentiers
de croissance), et lajustement de court terme, qui se dfini comme lcart cette cible. En
plus, ces modles comblent les limites rvles par les approches classiques de

13
Il sagit dune mesure qui permet de se rendre compte, pour un groupe de variables, du poids des corrlations partielles
par rapport aux corrlations simples. Lorsque la valeur de cette mesure est proche de 1, alors elle indique que ce poids est
faible.
50
stationnarisation, pour lesquelles les proprits de long terme sont masques. En terme
danalyse variantielle, cette dcomposition des comportements des agrgats macro-
conomiques savre trs pertinente, dans la mesure o les modles ECM permettent
disoler, suite un choc exogne, limpact de court terme de celui de long terme
14
.

La possibilit dextension de ce petit modle, par le biais de lexprience acquise de la
modlisation en quations simultanes, peut aussi constituer un de ses avantages. Cette
extension peut, en effet, tre opre dans au moins deux directions, sparment ou
conjointement. La premire porte sur lintroduction de lquilibre ressources-emplois, ce
qui implique un effort supplmentaire pour la modlisation des composantes de la
demande, et un changement du principe de modlisation de loffre des branches, laquelle
serait tire par la demande, en adoptant un schma no-keynsien. La deuxime direction
consiste changer de priodicit, en optant pour lannualisation, pour augmenter son
horizon de prvision anne ou deux. Cette direction peut, en ralit, nous tre impose,
car lappareil statistique national souffre de pas mal dinsuffisances au niveau infra-annuel.


14
Le modle e-mode.fr de lOFCE constitue un cas de figure de lutilisation des modles ECM (Cf. Chauvin 2002).
51
Bibliographie
BANQUE DE FRANCE, CEPREMAP, Direction de la prvision, Erasme, INSEE,
OFCE, Structures et proprits de cinq modles macroconomiques franais, Note
dtude et de recherche n38, juin 1996.
BELGHAZI S., BOUHIA A., Estimation du TES 1990 et des coefficients de conversion des
intrants non-changeables, Revue de l'INSEA, n 14, 1994, pages 16-30.
BOROWSKI D., BOUTHEVILLAIN C., DOZ C., MALGRANGE P., MORIN P.,
Vingt ans de prvision macro-conomiques : une valuation sur donnes franaises,
Economie et prvision, n 99, 1991-3.
BRESSON G., PIROTTE A., Economtrie des sries temporelles. Thorie et applications,
Collection Economie, dition PUF, dcembre 1995.
BRILLET J.- L., Modlisation conomtrique : principes et techniques, Economica 1994.
CHAUVIN V., DUPONT G., HEYER E., PLANE M., TIMBEAU X., Le modle
France de lOFCE. La nouvelle version : e-mode.fr, Revue de lOFCE 81, avril 2002.
CLING J.- P., Lanalyse de la conjoncture, Collection Repres, dition La Dcouverte,
1990.
CLING J.- P., FAYOLLE J., Les prvisions conjoncturelles de l'INSEE depuis 1969,
Economie et statistique, n 192, octobre 1986.
DIRECTION DE LA STATISTIQUE, Comptes nationaux trimestriels, croissance
sectorielle : premier trimestre 1997. juillet 1997.
DIRECTION DE LA STATISTIQUE, Compte et agrgats de la nation, annes 96 - 99.
DIRECTION DE LA STATISTIQUE, Comptes nationaux trimestriels, croissance
sectorielle : premier trimestre 1980-1994, septembre 1995.
DOZ C., MALGRANGE P., Modles VAR et prvisions court terme, Economie et
prvision, n 106, 1992-5.
ELGUELLAB A., Modles correction derreur : lapport de la thorie de cointgration,
INAC, mai 2000.
ELGUELLAB A., Modle d'analyse factorielle sur SPSS, INAC, juillet 1999.
EPAULARD A., Les modles appliqus la macroconomie, dition Dunod, 1997.
EVIEWS, Modle solve ; Forecast ; Systeme Estimation, aide de la version 3.0.
FAYOLLE J., Pratique contemporaine de lanalyse conjoncturelle, Economica, 1987.
GUERRIEN B., Algbre linaire pour conomiste, 4me dition, Economica 1997.
HAIRAULT J.-O., Les fluctuations conjoncturelles. Cycles rels et cycles montaires,
Economica 1995.
52
HEYER E., Initiation la modlisation, Document pdagogique du cycle court
Modlisation macroconomique organis par IIAP, 8 novembre-3dcembre 1999.
INAC, Fiches techniques sur les prvisions des secteurs : Industrie, Mines, Energie, BTP, et
Transport et Communication, 2001.
INAC, Rapport de mission de Mr Eric HEYER lInac, novembre 2002.
JOHNSTON J., DINARDO J., Mthodes conomtriques, 4
me
dition, Economica 1997.
JOHNSTON J., Mthodes conomtriques, tomes 1 et 2, 3
me
dition, Economica 1988.
MENNANI A., Procdures et techniques utilises pour prparer les prvisions court terme :
Cas du Maroc, Direction de la statistique.
MOUCHOT G., Statistiques et conomtrie, Economica 1983.
PICARD A., Trimestrialisation de la valeur ajoute industrielle, Rapport de stage sous la
direction de N. Ponty, Kacimi A., et Kouadio H., ENSEA et Direction de la
statistique, novembre 2002.
PONTY N., TEHRAOUI A., TOUNZI A., Vers une trimestrialisation des comptes
nationaux marocains, Stat co, n 85, dcembre 1996.
TAHRI A., LBAHY S., Etalonnage des valeurs ajoutes annuelles et infra-annuelles du
commerce, services et administration, sous la direction de A. EL AKKAOUI et A. EL
JAOUHARI, Rapport de stage dapplication, 2001-2002, INSEA, INAC, aot 2001.

53













A n n e x e s
54
Annexe 1 : LES VARIABLES DU MODELE

A) liste des variables :
Secteur et variable Mnmonique Type
(1)
Traitement
Industrie
1
2
Indice de la production industrielle
Valeur ajoute industrielle
IPI
VAI
Exg
End
CVS

Mines
3
4
5

6
7
8
9
10
11

12
13
14
Indice de la production minire
Indice de la production des phosphates
Indice de la production des minerais
mtalliques
Production de phosphates
Production de cuivre
Production de zinc
Production de plomb
Exportation de phosphates
Indice de la production chimie et
parachimie
Facteur temps
Valeur ajoute minire
Indicatrice
IPM
IPPH
IPMM

PPH
PCU
PZC
PPB
XPH
IPCH

T
VAM
IDM
End
End
End

End
Exg
Exg
Exg
Exg
Exg

Exg
End
Exg
CVS
CVS
CVS

CVS
CVS
CVS
CVS
CVS
CVS




Energie
15
16
17
18
19
Indice de la production nergtique
Production dlectricit
Ptrole mis en uvre
Valeur ajoute nergtique
Indicatrice
IPE
PEL
PMO
VAE
IDE
End
Exg
Exg
End
Exg
CVS
CVS
CVS


Btiment et travaux publics
20

21
22
23
24
ADC surface des planchers habitat
marocain
ADC surface des planchers immeubles
Investissement public
(2)
Valeur ajoute du BTP
Indicatrice
HM

IMM
INV
VAB
IDB
Exg

Exg
Exg
End
Exg



CVS


Administration
25




26
27
Dpenses de fonctionnement
(2)




Valeur ajoute des administrations
Indicatrice
FONC




VAAD
IDA
Exg




End
Exg
Dflation, CVS sur deux
sous-priodes et lissage
avec une moyenne
mobile non centre
dordre 3



































































55



Commerce (y compris les DTI)
28
29
30
Valeur ajoute du commerce
Valeur ajoute agricole
Importations
VAC
VAAG
IMP
End
Exg
Exg


Dflation
Autres services marchands
31
32
33
Crdits lconomie
Nuites touristiques
Valeur ajoute des services
C
R
E
D
NUIT
VAS
Exg
Exg
End
Dflation
CVS

Transport et communication
34
Valeur ajoute du transport et
communication
VATC

End



Autres agrgats
35
36
37


38
39

40
Produit intrieur brut
Produit intrieur brut non agricole
Produit intrieur brut marchand hors
agriculture

Indice de cot de la vie
Indice des valeurs moyennes
limportation
Dflateur de la VAAD
PIB
PIBHA
PIBMHA


ICV
PIMP

DVAAD
End
End
End


Exg
Exg

Exg
Les agrgats sont
calculs sur la base
dquations comptables
de sommation de valeurs
ajoutes




(1) : Il sagit de classer les variables soit en exogne (Exg), soit en endogne (End) ;
(2) : Les prvisions des variables des finances publiques sont tires des Lois de Finances.



56


B) Graphiques des variables (aprs traitement initial) :
80
90
100
110
120
130
88 89 90 91 92 93 94 95 96 97 98 99 00
I PI
4000
4500
5000
5500
6000
6500
88 89 90 91 92 93 94 95 96 97 98 99 00
VAI
80
90
100
110
120
130
140
88 89 90 91 92 93 94 95 96 97 98 99 00
I PM
60
80
100
120
140
160
88 89 90 91 92 93 94 95 96 97 98 99 00
I PPH
70
80
90
100
110
120
130
140
88 89 90 91 92 93 94 95 96 97 98 99 00
I PM M
3000
4000
5000
6000
7000
8000
88 89 90 91 92 93 94 95 96 97 98 99 00
PPH
4
6
8
10
12
88 89 90 91 92 93 94 95 96 97 98 99 00
PCU
0
10
20
30
40
50
60
70
88 89 90 91 92 93 94 95 96 97 98 99 00
PZC
15
20
25
30
35
40
88 89 90 91 92 93 94 95 96 97 98 99 00
PPB
1500
2000
2500
3000
3500
4000
4500
88 89 90 91 92 93 94 95 96 97 98 99 00
XPH
60
80
100
120
140
88 89 90 91 92 93 94 95 96 97 98 99 00
I PCH
0
10
20
30
40
50
60
88 89 90 91 92 93 94 95 96 97 98 99 00
T

700
800
900
1000
1100
88 89 90 91 92 93 94 95 96 97 98 99 00
VAM
70
80
90
100
110
120
130
88 89 90 91 92 93 94 95 96 97 98 99 00
I PE
1600
2000
2400
2800
3200
88 89 90 91 92 93 94 95 96 97 98 99 00
PEL
































































57




1000
1200
1400
1600
1800
2000
88 89 90 91 92 93 94 95 96 97 98 99 00
PM O
800
1000
1200
1400
1600
1800
88 89 90 91 92 93 94 95 96 97 98 99 00
VAE
600
800
1000
1200
1400
1600
88 89 90 91 92 93 94 95 96 97 98 99 00
HM
0
500
1000
1500
2000
2500
88 89 90 91 92 93 94 95 96 97 98 99 00
I M M
1000
2000
3000
4000
5000
6000
88 89 90 91 92 93 94 95 96 97 98 99 00
I NV
1000
1100
1200
1300
1400
1500
1600
88 89 90 91 92 93 94 95 96 97 98 99 00
VAB
4500
5000
5500
6000
6500
7000
7500
88 89 90 91 92 93 94 95 96 97 98 99 00
FO NC
3000
4000
5000
6000
7000
8000
88 89 90 91 92 93 94 95 96 97 98 99 00
VAAD
4500
5000
5500
6000
6500
7000
7500
88 89 90 91 92 93 94 95 96 97 98 99 00
VAC
2000
3000
4000
5000
6000
7000
88 89 90 91 92 93 94 95 96 97 98 99 00
VAAG
4000
6000
8000
10000
12000
14000
88 89 90 91 92 93 94 95 96 97 98 99 00
I M P
40000
60000
80000
100000
120000
140000
88 89 90 91 92 93 94 95 96 97 98 99 00
CRED
1000
1500
2000
2500
3000
3500
4000
88 89 90 91 92 93 94 95 96 97 98 99 00
NUI T
2800
3000
3200
3400
3600
3800
4000
88 89 90 91 92 93 94 95 96 97 98 99 00
VAS
1200
1400
1600
1800
2000
2200
2400
2600
2800
88 89 90 91 92 93 94 95 96 97 98 99 00
VATC


































































58



Les agrgats :
24000
26000
28000
30000
32000
34000
36000
88 89 90 91 92 93 94 95 96 97 98 99 00
PI B
20000
22000
24000
26000
28000
30000
32000
88 89 90 91 92 93 94 95 96 97 98 99 00
PI BHA
16000
18000
20000
22000
24000
26000
88 89 90 91 92 93 94 95 96 97 98 99 00
PI BM HA

Les dflateurs :
80
100
120
140
160
180
88 89 90 91 92 93 94 95 96 97 98 99 00
I CV
1. 8
1. 9
2. 0
2. 1
2. 2
2. 3
2. 4
2. 5
88 89 90 91 92 93 94 95 96 97 98 99 00
PI M P
120
140
160
180
200
220
88 89 90 91 92 93 94 95 96 97 98 99 00
DVAAD


59
Annexe 2 : RESULTATS DES ESTIMATIONS DU MODELE




A- Coefficients structurels :
3MC MCO Equations et
paramtres
Valeur Ecart-type t-Student Prob. Valeur Ecart-type t-Student Prob.
A1,1 49.80188 0.121502 409.8857 0.0000 49.78662 0.14255 349.2567 0.0000
1
A1,2 0.372134 0.117686 3.16208 0.0017 0.446481 0.151413 2.9488 0.0034
A2,1 7.569219 0.272202 27.80739 0.0000 7.403172 0.307207 24.0983 0.0000
A2,2 2.545674 0.803443 3.168455 0.0016 3.057141 0.90906 3.3630 0.0008
2
A2,3 0.414446 0.118006 3.51207 0.0005 0.394165 0.163298 2.4138 0.0162
A3,1 0.834406 1.03E-02 81.25826 0.0000 0.856904 0.012904 66.4059 0.0000
A3,2 0.159822 0.010582 15.10273 0.0000 0.136598 0.013309 10.2633 0.0000
3
A3,3 -12.06458 0.827787 -14.57451 0.0000 -12.12805 1.191537 -10.1785 0.0000
A4,1 0.020891 2.21E-06 9432.26 0.0000 0.02089 2.34E-06 8943.7520 0.0000
4
A4,2 -0.494216 0.111698 -4.42459 0.0000 -0.476571 0.158643 -3.0040 0.0028
A5,1 3.836621 0.417648 9.186248 0.0000 4.179063 0.807822 5.1732 0.0000
A5,2 0.672144 0.116749 5.757175 0.0000 0.596878 0.245191 2.4343 0.0153
A5,3 2.645606 0.209923 12.60273 0.0000 2.374978 0.400243 5.9338 0.0000
5
A5 ,4 -0.671473 0.172599 -3.890362 0.0001 -0.457191 0.334413 -1.3671 0.1723
A6,1 0.377554 0.105962 3.563112 0.0004 0.388592 0.126894 3.0623 0.0023
A6,2 0.037086 0.093835 0.395226 0.6929 -0.032273 0.114007 -0.2831 0.7773
A6,3 31.47268 4.366683 7.207457 0.0000 27.5047 5.615926 4.8976 0.0000
6
A6,4 0.955114 0.049575 19.26597 0.0000 0.979659 0.02693 36.3777 0.0000
A7,1 13.44067 0.160388 83.80074 0.0000 13.42342 0.172409 77.8582 0.0000
A7,2 -308.6993 25.34689 -12.17898 0.0000 -306.0634 29.42012 -10.4032 0.0000
7
A7,3 0.390549 0.143027 2.730589 0.0066 0.381631 0.174949 2.1814 0.0297
A8,1 0.01191 0.002745 4.339031 0.0000 0.011553 0.004128 2.7988 0.0054
A8,2 0.028901 0.002538 11.38794 0.0000 0.029909 0.003796 7.8787 0.0000
A8,5 36.31019 9.35E+00 3.881865 0.0001 35.79734 14.75858 2.4255 0.0157
A8,3 0.568842 1.17E-01 4.847564 0.0000 0.400656 0.165557 2.4201 0.0159
8
A8,4 0.17937 0.1108 1.618858 0.1062 0.37227 0.160357 2.321508 0.0207
A9,1 0.054636 0.03037 1.799019 0.0727 0.057898 4.93E-02 1.173501 0.2413
A9,2 0.096175 0.015016 6.405061 0.0000 0.087006 0.024827 3.504529 0.0005
A9,3 -0.024313 0.005361 -4.535576 0.0000 -0.028457 0.008786 -3.239078 0.0013
A9,4 94.98312 7.835342 12.1224 0.0000 91.01162 12.80758 7.106076 0.0000
A9,5 1818.821 2158.802 0.842514 0.4000 1711.445 1930.479 0.886539 0.3758
9
A9,6 0.986483 0.049434 19.95537 0.0000 0.98317 0.070547 13.93648 0.0000
A10,1 0.860495 0.009833 87.50783 0.0000 0.859681 0.00857 100.3079 0.0000
A10,2 1399.539 62.58774 22.36123 0.0000 1475.138 104.6413 14.09709 0.0000
10
A10,3 0.519557 0.094432 5.50192 0.0000 0.420984 0.146792 2.867893 0.0043
A11,1 1.080503 0.057936 18.6501 0.0000 0.603865 0.179077 3.372091 0.0008
A11,2 0.044853 0.009996 4.487353 0.0000 0.034566 0.013269 2.604958 0.0095
A11,3 0.009827 0.016093 0.610618 0.5418 -0.024586 0.015765 -1.559469 0.1196
11
A11,4 0.944364 0.052218 18.08509 0.0000 1.006059 0.005719 175.9119 0.0000
A12,1 0.007588 0.001823 4.161635 0.0000 0.006828 0.002033 3.358387 0.0009
A12,2 0.22626 0.014368 15.748 0.0000 0.212403 0.021299 9.972282 0.0000
A12,3 -0.018808 0.010092 -1.86371 0.0631 -0.026978 0.014723 -1.832322 0.0676
A12,4 2220.476 206.8369 10.73539 0.0000 2384.886 223.762 10.65814 0.0000
12
A12,5 0.851758 0.078796 10.80963 0.0000 0.807886 0.108527 7.444084 0.0000






























































60
A13,1 0.335659 0.039652 8.465056 0.0000 0.327975 0.045932 7.140441 0.0000
A13,2 0.237467 0.128881 1.842524 0.0661 0.391421 0.150114 2.607486 0.0094
A13,3 0.147869 3.30E-02 4.48761 0.0000 0.104772 0.034124 3.070369 0.0023
13
A13,4 -1.72E+03 299.4991 -5.737168 0.0000 -1990.826 348.4615 -5.713187 0.0000


B- Niveau de signification et test dautocorrlation des erreur :
3MC MCO
Equations
R ajust
Statistique
DW
Statistique h
de DW
(*)
R ajust
Statistique
DW
Statistique h
de DW
(*)

1 0.98405 1.86524 0,6752 0.98416 2.02034 -0,1459
2 0.88867 2.08959 -0,4856 0.88995 2.01615 -0,2423
3 0.97891 2.36053 -

0.98080 2.15946 -
4 0.99987 1.93539 0,3221 0.99987 1.95532 0,4361
5 0.43802 2.66802 - 0.44892 2.72917 -
6 0.84488 2.31369 -0,9645 0.84833 2.37822 -1,1497
7 0.95105 2.04595 -0,4379 0.95108 2.01159 -
8 0.91584 2.47117 -2,5768 0.91994 2.12501 -3,2452
9 0.91798 2.40263 -1,2916 0.92061 2.30390 -1,0063
10 0.89847 2.12733 -0,5396 0.90151 1.95841 0,2635
11 0.94080 2.55419 -1,6715 0.95572 1.86958 0,3915
12 0.90972 1.82688 0,6242 0.91251 1.75756 0,9582
13 0.88499 1.78448 - 0.89149 1.86686 -
(*) : les traits indiquent les quations pour lesquelles la statistique de DW est valable.



C- Test de stabilit des coefficients (MCO) :
Test de point de rupture de Chow
(*)
Test de prvision de Chow
(*)

Equations
F
(**)

(**)
F
1 3.8999 0.030 0.9702 0.520
2 4.0591 0.015 1.4563 0.224
3 - - 1.3520 0.272
4 0.1899 0.828 0.5426 0.887
5 2.0640 0.112 1.8019 0.125
6 7.8732 0.000 5.2424 0.000
7 - - 5.0805 0.000
8 0.3058 0.905 0.6868 0.768
9 - - 1.6559 0.174
10 - - 0.2543 0.996
11 - - 2.4581 0.041
12 0.3362 0.886 0.4482 0.939
13 4.0666 0.010 1.3860 0.261
(*) : Pour les deux tests, les deux sous-priodes retenues sont [1992:1 1996:4] et [1997:1 2000:4].
(**) : F est la valeur de Ficher calcule et est le niveau de signification correspondant. Les traits indiquent, pour le test
de rupture de Chow, et pour le mme choix de sous-priodes, limpossibilit technique dexcuter ce test au niveau du
logiciel (la raison essentielle est la prsence des indicatrices dans les quations correspondantes).































































61






D- Corrlogrammes des erreurs
XV
:
Equations 3MC MCO
1
-0,5
-0,4
-0,3
-0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8

- 0,5
- 0,4
- 0,3
- 0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8

2
- 0,5
- 0,4
- 0,3
- 0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8

- 0,5
- 0,4
- 0,3
- 0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8

3
- 0,5
- 0,4
- 0,3
- 0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8

- 0,5
- 0,4
- 0,3
- 0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8

4
- 0,5
- 0,3
-0,1
0,1
0,3
0,5
0,7
1 2 3 4 5 6 7 8

- 0,5
- 0,3
-0,1
0,1
0,3
0,5
0,7
1 2 3 4 5 6 7 8

5
- 0,5
- 0,3
-0,1
0,1
0,3
0,5
0,7
1 2 3 4 5 6 7 8

- 0,5
- 0,3
-0,1
0,1
0,3
0,5
0,7
1 2 3 4 5 6 7 8

6
- 0,5
- 0,4
- 0,3
- 0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8

- 0,5
- 0,4
- 0,3
- 0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8


XV
Lgende : les btonns mesurent lautocorrlation dordre k, mentionn au niveau des axes des abscisses ;
les deux bandes indiquent les limites du test de Student au risque de 5%.






























































62
7
- 0,5
- 0,4
- 0,3
- 0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8

- 0,5
- 0,4
- 0,3
- 0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8

8
-0, 5
-0, 4
-0, 3
-0, 2
-0, 1
0
0, 1
0, 2
0, 3
0, 4
0, 5
1 2 3 4 5 6 7 8

- 0,5
- 0,4
- 0,3
- 0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8

9
- 0,5
- 0,4
- 0,3
- 0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8

- 0,5
- 0,4
- 0,3
- 0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8

10
- 0,5
- 0,4
- 0,3
- 0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8

- 0,5
- 0,4
- 0,3
- 0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8

11
- 0,5
- 0,4
- 0,3
- 0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8

- 0,5
- 0,4
- 0,3
- 0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8

12
- 0,5
- 0,4
- 0,3
- 0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8

- 0,5
- 0,4
- 0,3
- 0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8

13
- 0,5
- 0,4
- 0,3
- 0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8

- 0,5
- 0,4
- 0,3
- 0,2
-0,1
0
0,1
0,2
0,3
0,4
0,5
1 2 3 4 5 6 7 8


































































63

E- Test dhomoscdasticit des erreurs (MCO) :
Test sans produit des variables
exognes
(*)
Test avec produit des variables
exognes
(*)
Equations
F
(**)

(**)
F
1 1.162 0.325 1.162 0.325
2 1.321 0.284 1.233 0.293
3 0.338 0.886 0.620 0.713
4 3.006 0.063 3.006 0.063
5 1.772 0.127 1.298 0.286
6 5.038 0.001 3.642 0.004
7 2.322 0.094 2.195 0.093
8 0.387 0.816 0.301 0.908
9 0.592 0.776 0.371 0.966
10 7.325 0.000 7.325 0.000
11 6.326 0.000 4.461 0.001
12 0.824 0.560 0.695 0.707
13 1.651 0.169 2.185 0.058
(*) : La diffrence entre les deux test est que le premier ne fait pas intervenir le produit des variables exognes alors que le
deuxime le fait.
(**) : F est la valeur de Ficher calcule et est le niveau de signification correspondant.


64
Annexe 3 : GRAPHIQUES DES RESIDUS
EQUATION 1 EQUATION 2
-5
0
5
1992:1 1994:1 1996:1 1998:1 2000:1

-10
-5
0
5
10
1992:1 1994:1 1996:1 1998:1 2000:1

EQUATION 3 EQUATION 4
-5
0
5
1992:1 1994:1 1996:1 1998:1 2000:1

-5
0
5
1992:1 1994:1 1996:1 1998:1 2000:1

EQUATION 5 EQUATION 6
-15
-10
-5
0
5
10
15
1992:1 1994:1 1996:1 1998:1 2000:1

-10
-5
0
5
10
1992:1 1994:1 1996:1 1998:1 2000:1

EQUATION 7 EQUATION 8
-10
-5
0
5
10
1992:1 1994:1 1996:1 1998:1 2000:1

-5
0
5
1992:1 1994:1 1996:1 1998:1 2000:1
































































65




EQUATION 9 EQUATION 10
-10
-5
0
5
10
1992:1 1994:1 1996:1 1998:1 2000:1

-10
-5
0
5
10
1992:1 1994:1 1996:1 1998:1 2000:1

EQUATION 11 EQUATION 12
-5
0
5
1992:1 1994:1 1996:1 1998:1 2000:1

-5
0
5
1992:1 1994:1 1996:1 1998:1 2000:1

EQUATION 13
-15
-10
-5
0
5
10
1992:1 1994:1 1996:1 1998:1 2000:1
Rsudus des MCO
Rsidus des 3MC
Lgende:




66
Annexe 4 : MATRICES DES CORRELATIONS DES ERREURS




MCO 3MC



V
A
I
1
,
0
0
0


V
A
I
1
,
0
0
0

V
A
M
-
0
,
1
0
7
1
,
0
0
0


V
A
M
-
0
,
1
5
7
1
,
0
0
0

I
P
M
-
0
,
1
6
5
-
0
,
0
6
6
1
,
0
0
0


I
P
M
-
0
,
1
3
3
-
0
,
0
0
1
1
,
0
0
0

I
P
P
H
-
0
,
2
3
1
0
,
0
1
5
0
,
2
0
4
1
,
0
0
0


I
P
P
H
-
0
,
2
3
9
0
,
0
4
6
0
,
2
3
3
1
,
0
0
0

I
P
M
M
-
0
,
0
2
2
-
0
,
4
0
8
-
0
,
4
4
0
0
,
0
6
4
1
,
0
0
0


I
P
M
M
-
0
,
0
5
0
-
0
,
4
0
6
-
0
,
5
9
5
0
,
0
8
9
1
,
0
0
0

P
P
H
0
,
0
5
1
0
,
1
5
9
0
,
0
9
9
-
0
,
3
0
5
-
0
,
2
9
0
1
,
0
0
0


P
P
H
0
,
0
4
7
0
,
1
5
9
0
,
1
9
3
-
0
,
2
9
8
-
0
,
3
2
7
1
,
0
0
0

V
A
E
0
,
0
1
0
0
,
1
0
6
-
0
,
0
0
5
0
,
2
4
1
-
0
,
1
5
6
-
0
,
0
5
9
1
,
0
0
0


V
A
E
0
,
0
0
1
0
,
1
3
5
0
,
0
7
1
0
,
2
4
0
-
0
,
1
3
5
-
0
,
0
4
2
1
,
0
0
0

I
P
E
-
0
,
1
3
7
-
0
,
1
8
3
0
,
0
5
3
0
,
2
1
3
0
,
3
3
8
-
0
,
3
5
1
-
0
,
2
3
0
1
,
0
0
0


I
P
E
-
0
,
2
1
7
-
0
,
1
6
0
-
0
,
0
1
1
0
,
2
2
6
0
,
3
9
1
-
0
,
3
8
2
-
0
,
2
6
0
1
,
0
0
0

V
A
B
-
0
,
3
6
3
0
,
2
3
0
0
,
1
5
3
-
0
,
0
0
4
-
0
,
2
4
3
0
,
0
7
2
0
,
2
1
6
-
0
,
1
3
1
1
,
0
0
0


V
A
B
-
0
,
3
8
2
0
,
2
9
6
0
,
2
1
0
-
0
,
0
3
2
-
0
,
2
5
4
0
,
1
1
5
0
,
2
5
0
-
0
,
1
7
4
1
,
0
0
0

V
A
A
D
0
,
0
0
6
0
,
0
0
1
0
,
2
0
1
0
,
2
5
7
-
0
,
3
1
5
-
0
,
0
1
2
0
,
0
0
7
0
,
3
0
3
-
0
,
3
6
8
1
,
0
0
0


V
A
A
D
0
,
0
3
2
-
0
,
0
6
6
0
,
2
8
2
0
,
2
4
9
-
0
,
2
8
0
0
,
0
0
7
-
0
,
0
2
1
0
,
3
1
6
-
0
,
4
2
9
1
,
0
0
0

V
A
C
-
0
,
2
8
9
0
,
2
3
1
0
,
0
3
8
-
0
,
2
0
7
-
0
,
2
4
3
0
,
1
5
8
0
,
0
8
8
-
0
,
0
7
6
0
,
2
0
1
0
,
0
1
4
1
,
0
0
0


V
A
C
-
0
,
2
9
5
0
,
2
7
1
0
,
2
6
0
-
0
,
3
3
0
-
0
,
3
5
3
0
,
3
3
5
-
0
,
0
7
8
-
0
,
0
6
7
0
,
1
4
6
0
,
1
4
5
1
,
0
0
0

V
A
S
0
,
0
7
3
-
0
,
1
2
9
0
,
0
4
7
-
0
,
0
4
9
-
0
,
2
0
3
0
,
0
0
1
0
,
1
6
9
0
,
0
1
0
-
0
,
1
3
5
0
,
0
4
1
-
0
,
1
4
9
1
,
0
0
0


V
A
S
0
,
0
7
7
-
0
,
1
2
1
0
,
0
9
1
-
0
,
1
0
2
-
0
,
2
2
8
-
0
,
0
3
9
0
,
1
5
3
0
,
0
1
1
-
0
,
1
4
2
-
0
,
0
2
7
-
0
,
3
1
7
1
,
0
0
0

V
A
T
C
-
0
,
1
1
3
-
0
,
3
3
4
-
0
,
0
5
5
0
,
2
5
0
0
,
2
3
7
-
0
,
1
3
3
-
0
,
1
0
8
0
,
1
1
9
-
0
,
0
6
1
-
0
,
0
0
3
-
0
,
2
1
5
-
0
,
0
4
3
1
,
0
0
0

V
A
T
C
-
0
,
0
4
5
-
0
,
4
0
0
-
0
,
1
2
3
0
,
2
7
4
0
,
2
6
1
-
0
,
1
1
9
-
0
,
1
3
0
0
,
1
0
6
-
0
,
2
1
7
0
,
0
5
5
-
0
,
2
7
1
0
,
0
6
2
1
,
0
0
0

V
A
I
V
A
M
I
P
M
I
P
P
H
I
P
M
M
P
P
H
V
A
E
I
P
E
V
A
B
V
A
A
D
V
A
C
V
A
S
V
A
T
C

V
A
I
V
A
M
I
P
M
I
P
P
H
I
P
M
M
P
P
H
V
A
E
I
P
E
V
A
B
V
A
A
D
V
A
C
V
A
S
V
A
T
C







67
Annexe 5 : SIMULATION STATIQUE DU MODELE (3MC)


A- Agrgats:
Simulation statique du PIB
25000
27000
29000
31000
33000
35000
Q1
1992
Q1
1993
Q1
1994
Q1
1995
Q1
1996
Q1
1997
Q1
1998
Q1
1999
Q1
2000
Erreur sur le PIBHA en %
-5
-3
-1
1
3
5
Q1 1992 Q1 1994 Q1 1996 Q1 1998 Q1 2000
Simulation statique du PIBHA
22000
24000
26000
28000
30000
32000
Q1
1992
Q1
1993
Q1
1994
Q1
1995
Q1
1996
Q1
1997
Q1
1998
Q1
1999
Q1
2000
Erreur sur le PIBHA en %
-5
-3
-1
1
3
5
Q1 1992 Q1 1994 Q1 1996 Q1 1998 Q1 2000
Simulation statique du PIBMHA
18000
20000
22000
24000
26000
Q1
1992
Q1
1993
Q1
1994
Q1
1995
Q1
1996
Q1
1997
Q1
1998
Q1
1999
Q1
2000
Observ Simul Lgende:
Erreur sur le PIBMHA en %
-5
-3
-1
1
3
5
Q1 1992 Q1 1994 Q1 1996 Q1 1998 Q1 2000

68

B- Valeurs ajoutes
16
:
VAI
4000
4500
5000
5500
6000
6500
1992:1 1994:1 1996:1 1998:1 2000:1

VAM
600
700
800
900
1000
1100
1992:1 1994:1 1996:1 1998:1 2000:1

VAE
800
1000
1200
1400
1600
1800
1992:1 1994:1 1996:1 1998:1 2000:1

VAB
800
1000
1200
1400
1600
1800
1992:1 1994:1 1996:1 1998:1 2000:1

VAAD
3000
4000
5000
6000
7000
8000
1992:1 1994:1 1996:1 1998:1 2000:1

VAC
5000
5500
6000
6500
7000
7500
8000
1992:1 1994:1 1996:1 1998:1 2000:1

VAS
2500
2900
3300
3700
4100
1992:1 1994:1 1996:1 1998:1 2000:1

VATC
1000
1500
2000
2500
3000
1992:1 1994:1 1996:1 1998:1 2000:1




16
La lgende des graphiques des agrgats (page prcdente) demeure valable pour cette partie ainsi quaux
graphiques de lannexe suivante.
69
Annexe 6 : SIMULATION STATIQUE DU MODELE (MCO)

A- Agrgats:
Simulation statique du PIB
25000
27000
29000
31000
33000
35000
Q1
1992
Q1
1993
Q1
1994
Q1
1995
Q1
1996
Q1
1997
Q1
1998
Q1
1999
Q1
2000
Erreur sur le PIB en %
-5
-3
-1
1
3
5
Q1 1992 Q1 1994 Q1 1996 Q1 1998 Q1 2000
Simulation statique du PIBHA
22000
24000
26000
28000
30000
32000
Q1
1992
Q1
1993
Q1
1994
Q1
1995
Q1
1996
Q1
1997
Q1
1998
Q1
1999
Q1
2000
Erreur sur le PIBHA en %
-5
-3
-1
1
3
5
Q1 1992 Q1 1994 Q1 1996 Q1 1998 Q1 2000
Simulation statique du PIBMHA
18000
20000
22000
24000
26000
Q1
1992
Q1
1993
Q1
1994
Q1
1995
Q1
1996
Q1
1997
Q1
1998
Q1
1999
Q1
2000
Erreur sur le PIBMHA en %
-5
-3
-1
1
3
5
Q1 1992 Q1 1994 Q1 1996 Q1 1998 Q1 2000


70

B- Valeurs ajoutes :
VAI
4000
4500
5000
5500
6000
6500
1992:1 1994:1 1996:1 1998:1 2000:1

VAM
600
700
800
900
1000
1100
1992:1 1994:1 1996:1 1998:1 2000:1

VAE
800
1000
1200
1400
1600
1800
1992:1 1994:1 1996:1 1998:1 2000:1

VAB
800
1000
1200
1400
1600
1800
1992:1 1994:1 1996:1 1998:1 2000:1

VAAD
3000
4000
5000
6000
7000
8000
1992:1 1994:1 1996:1 1998:1 2000:1

VAC
5000
5500
6000
6500
7000
7500
8000
1992:1 1994:1 1996:1 1998:1 2000:1

VAS
2500
2900
3300
3700
4100
1992:1 1994:1 1996:1 1998:1 2000:1

VATC
1000
1500
2000
2500
3000
1992:1 1994:1 1996:1 1998:1 2000:1



71
Annexe 7 : SIMULATION DYNAMIQUE DU MODELE (3MC)
SIMULATION DU PIB:
Anne 1998
-5
0
5
10
15
20
Q1 1997 Q1 1998 Q1 1999 Q1 2000
Erreur en %
28500
30000
31500
33000
34500
Millions de dhs

Anne 1999
-5
0
5
10
15
20
Q1 1997 Q1 1998 Q1 1999 Q1 2000
Erreur en %
28500
30000
31500
33000
34500
Millions de dhs

SIMULATION DU PIBHA:
Anne 1998
-5
0
5
10
15
20
Q1 1997 Q1 1998 Q1 1999 Q1 2000
Erreur en %
24000
25000
26000
27000
28000
29000
30000
Millions de dhs

Anne 1999
-5
0
5
10
15
20
Q1 1997 Q1 1998 Q1 1999 Q1 2000
Erreur en %
24000
25000
26000
27000
28000
29000
30000
Millions de dhs

SIMULATION DU PIBMHA:
Anne 1998
-5
0
5
10
15
20
Q1 1997 Q1 1998 Q1 1999 Q1 2000
Erreur en %
19000
20000
21000
22000
23000
24000
Millions de dhs

Anne 1999
-5
0
5
10
15
20
Q1 1997 Q1 1998 Q1 1999 Q1 2000
Erreur en %
19000
20000
21000
22000
23000
24000
Millions de dhs


Lgende (pour les annexes 6 et 7) :
Les courbes avec des petits points indiquent les simulation dynamiques de 2 trimestres ; les btonnets gris
donnent les erreurs du 2
me
trimestre (correspondant la premire prvision) tandis que les btonnets blancs
donnent celles relatives au 1
er
trimestre (affrentes aux deuximes prvisions) ; la bande trace par les deux
lignes horizontales discontinues dlimitent lintervalle derreur de 2%.
72
Annexe 8 : SIMULATION DYNAMIQUE DU MODELE (MCO)

SIMULATION DU PIB:
Anne 1998
-5
0
5
10
15
20
Q1 1997 Q1 1998 Q1 1999 Q1 2000
28500
30000
31500
33000
34500
Millions de dhs Erreur en %

Anne 1999
-5
0
5
10
15
20
Q1 1997 Q1 1998 Q1 1999 Q1 2000
28500
30000
31500
33000
34500
Millions de dhs Erreur en %

SIMULATION DU PIBHA:
Anne 1998
-5
0
5
10
15
20
Q1 1997 Q1 1998 Q1 1999 Q1 2000
24000
25000
26000
27000
28000
29000
30000
Millions de dhs Erreur en %

Anne 1999
-5
0
5
10
15
20
Q1 1997 Q1 1998 Q1 1999 Q1 2000
24000
25000
26000
27000
28000
29000
30000
Millions de dhs Erreur en %

SIMULATION DU PIBMHA:
Anne 1998
-5
0
5
10
15
20
Q1 1997 Q1 1998 Q1 1999 Q1 2000
19000
20000
21000
22000
23000
24000
Millions de dhs Erreur en %

Anne 1999
-5
0
5
10
15
20
Q1 1997 Q1 1998 Q1 1999 Q1 2000
19000
20000
21000
22000
23000
24000
Millions de dhs Erreur en %




73
Annexe 9 : RESULTATS DE LETUDE VARIANTIELLE DU MODELE


Fonction de rponse du VAI
-4
-2
0
2
4
6
1 2 3 4 5 6 7 8 9 10 11 12
Trimestres
V
a
r
i
a
t
i
o
n

e
n

%

Fonction de rponse du PIB
-2
-1
0
1
2
3
4
5
6
7
1 2 3 4 5 6 7 8 9 10 11 12
Trimestres
V
a
r
i
a
t
i
o
n

e
n

%

Fonction de rponse du VAC
-3
-2
-1
0
1
2
3
4
1 2 3 4 5 6 7 8 9 10 11 12
Trimestres
V
a
r
i
a
t
i
o
n

e
n

%

Fonction de rponse du PIBHA
-1,5
-1
-0,5
0
0,5
1
1,5
2
2,5
1 2 3 4 5 6 7 8 9 10 11 12
Trimestres
V
a
r
i
a
t
i
o
n

e
n

%

Fonction de rponse du VATC
-3
-2
-1
0
1
2
3
4
1 2 3 4 5 6 7 8 9 10 11 12
Trimestres
V
a
r
i
a
t
i
o
n

e
n

%
Sc1 (20% de VAAG)
Sc2 (5% de IPI)
Sc3 (Combinaison de Sc1 et Sc2)
Lgende :

Fonction de rponse du PIBMHA
-2
-1
0
1
2
3
1 2 3 4 5 6 7 8 9 10 11 12
Trimestres
V
a
r
i
a
t
i
o
n

e
n

%