Cours 0 : Eviews

CHAPITRE I : PRESENTATION DE EViews

Objectifs
Dans ce chapitre, l’apprenant découvrira:

 les avantages de EViews par rapport aux autres logiciels statistiques et

Econométriques;
 son champs d’application;
 les types d’objets du logiciel;
 La présentation de l’interface.
1. Présentation générale du fonctionnement du logiciel EViews
EViews est un logiciel statistique. Il permet de manipuler les données, de
faire les analyses statistique; la modélisation et la prévision à partir des
données. Il est beaucoup utilisé dans le monde socio-économique,
permettant aux experts entre autre de vérifier empiriquement leurs
hypothèses.

EViews peut fonctionner en mode interactif et en mode batch.

En mode interactif, l’utilisateur choisit, à partir des différentes fenêtres, ce
qu’il veut faire. Il fait en quelque sorte de l’économétrie presse bouton. Le
mode interactif est utilisé lorsque certaines étapes du traitement exigent
un examen des résultats et des prises de décision de l’utilisateur.

En mode Batch, les instructions sont écrites sous forme d’un programme à
l’aide d’une succession d’instructions utilisant des commandes. Le mode
batch nécessite donc la construction d’un fichier texte contenant une série
d’instructions pour aboutir aux résultats que l’on souhaite. L’ avantage est
que l’analyse est documentée.

2. Champs d’application de EViews

EViews peut être utilisé dans tous les domaines de l’analyse : le traitement
et l’analyse. Mais il est plus utilisé pour la modélisation. On peut citer :
 La modélisation macroéconomique;
 La prévision macroéconomique;
 La prévision en entreprise;
 L’analyse financière.
3. objets
EViews est basé sur la notion d’objet.
Les objets sont des blocs d’éléments liés par une notion commune et qui
sont mis ensemble pour être utilisés plus aisément. C’ est un ensemble
d’information se rapportant à un domaine particulier de l’analyse. De
façon implicite, tout le travail sur EViews impliquera la manipulation
d’objets.
L’objet le plus important dans EViews est le workfile (espace de travail),
ensuite les séries et les équations.
Les autres objets sont par exemple les vecteurs de coefficients, les bases
de données, les graphes, les groupes, les modèles, etc. Chacun de ces
objets possède son icône qui apparait dans le workfile.

Lorsqu’un workfile est crée, 2 objets apparaissent automatiquement : le

vecteur des coefficients et la série des résidus.

Le vecteur des coefficients sert à stocker les coefficients des équations

estimées. Par défaut, ce vecteur est nommé par la lettre c et ses
coefficients sont c(1), c(2), …, c(k). Toutefois, on peut définir d’autres
vecteurs pour recevoir les coefficients, par exemple a ou b.

Pour créer un nouvel objet, il suffit de sélectionner Object/New Object, à

partir du menu principal ou du menu du workfile, de choisir ensuite le type
d’objet, de le nommer et de cliquer sur OK pour valider.

Ci-contre des icônes associés à quelques objets :

 4. Interface

Cours 1 : Eviews
admin Aucun commentaire
CHAPITRE II : MANIPULATION DES DONNEES
Objectifs
La modélisation des données abordent toutes les manipulations à faire
avant l’étape de modélisation. Donc dans ce chapitre, on apprendra à :
  créer un espace de travail;
 importer ou saisir des données;
 créer de nouvelles séries;
 produire des statistiques descriptives sur les données.
Cas pratique utilisé en guise d’illustration dans cette partie
Ce chapitre ce veux pratique. Pour ce Nous allons considérer des données
portant sur la consommation privée réelle (Cons), la consommation
publique réelle (Consg), les dépenses publiques (GT), l’investissement
public (INVG), l’investissement privé (INVP), l’indice des prix à la
consommation (IPC), le PIB réel (PIBR) et le taux d’intérêt réel (R). Les
données couvrent la période 1965-2002. Elles se trouvent dans le fichier
Excel intitulé [Link].
1. Création d ’un workfile
Un Workfile ou espace de travail est cet espace qui organise et enregistre
tous les objets qui vont être générés lors du traitement des données.
Lorsqu’on veut travailler sur Eviews, la première chose à faire est de créer
un Workfile.
Pour créer un workfile, il faut renseigner la fréquence d’observation des
données, la date de début et la date de fin et optionnellement un nom
au workfile.
Pour créer un workfile : Cliquer sur « file », ensuite « new » et enfin
« workfile ».
Dans notre cas, la fréquence des données est annuelle et vont de 1965 à
2002.
Nous venons de créer notre workfile.
On voit le nombre de d’observations et les dates de début et de fin
d’observation. On voit également les deux objets créer automatiquement :
« C » le vecteurs des coefficients et « resid » celui des résidus.
Cependant notre workfile ne contient pas encore de données.

2. Saisie des données

On peut entrer les données de deux façon différentes.

Soit en saisissant directement à partir de EViews ou alors en important un

fichier de données parallèle.
1. Saisie manuel des données
Pour entrer directement les données sur EViews :
Aller dans le menu principal, cliquer sur « Object », ensuite sur « New
Object » et enfin sur « Series ».
Après avoir validé, la variable Y apparaît dans le workfile.
Répétez ces opérations autant de fois que vous voulez créer de variables.
Pour voir les valeurs de la variable, double cliquez sur l’objet de la variable
dans le workfile.
Ensuite, cliquez sur « edit+/- » pour effacer les NA pour remplacer par les
valeurs voulues et appuyer à nouveau sur « edit+/- » avant de fermer la
fenêtre.
 3. Importation des données
Généralement, les données sont déjà saisie dans une base de données
sous format Excel par exemple comme dans notre cas pratique.
Pour le faire : Dans le menu principale, cliquer sur « File », ensuite
« Import ».
Il faudra spécifier la ligne d’entête et le nom de la bas.

Le résultat peut se voir ci-contre.

 4. Création des variables à partir des variables existences
La création ou la transformation de variables sont des opérations
courantes dans la pratique économétrique.

Pour le faire :

 cliquer sur « Quick » ensuite « génerat series» dans l’onglet principal.

 Cliquer sur « Genr» dans l’ongle du workfile.
Dans notre exemple, il faut créer loguer les différentes variables. Nous
présentons pour la variable « cons ».
Cours 2 : Eviews
admin Aucun commentaire
CHAPITRE III : STATISTIQUE DESCRIPTIVE
Objectifs
Nous ne pouvons penser à des analyses ou des modélisation sans mesurer
et Visualiser les indicateurs de tendance de nos variables d’intérêts.

Dans cette partie, il sera question d’apprendre à :

 Faire des statistiques descriptives de base sur EViews;

 Produire des graphiques pour visualiser les tendances des variables ou
indicateurs.
1. Statistiques descriptives de base
A partir de la base ([Link]) qui nous sert d’illustration depuis le début de
la leçon, nous allons calculer les statistiques sur les
variables LCONS, LPIBR, LIPC et LGT
Pour le faire :
  sélectionnez la/les variable(s) en cliquant dessus en gardant la touche
« Ctrl » enfoncée;
 puis visualisez-les (menu Show). Le groupe de variable s’ouvre;
 Cliquer sur « View», ensuite « Descriptives Stats » et enfin « Individual
Samples».
Pour retourner au données, appuyer sur « sheet ».

2. Matrice de corrélation
Les coefficients de corrélation empiriques permettent d’évaluer les
relations linéaires entre les variables.

Pour le faire :

Cliquer sur « View » dans l’onglet du workfile, puis sur « show », une fois
le groupe ouvert, cliquer sur « view », suivi de « covariance Analysis ».
Cocher « Correlation » et enfin sur OK.
 3. Les graphiques
Pour obtenir la représentation graphique d’une série, il faut d’abord la
visualiser (faire un double-clic sur la variable dans le workfile). Ensuite,
sélectionnez « View », puis « Graph » et enfin sélectionner le type de
graph et les autres caractéristiques comme les axes, l’épaisseur des ligne,
la police, la légende etc.

Pour notre cas, nous avons choisis « line » comme type de graph étant
donné qu’on veut visualiser son évolution de 1965 à 2022.

On peut obtenir simultanément les graphiques de plusieurs séries en

sélectionnant «Multiple Graphs » au lieu de « Graph ».
On peut également représenter le nuage de point entre deux variables
dans le but de visualiser la leur liaison.

Pour le faire, sélectionner les deux variables, ensuite « open as group » et

choisir le type de graphique « Scatter ».
Dans l’exemple ci-contre, nous visualisons le nuage de point entre la
consommation et le PIBR.
Cours 3 : Eviews
admin 2 Commentaires
CHAPITRE IV : ESTIMATION D’UN MODELE LINEAIRE
1. Spécification du modèle et hypothèses
Nous essayons d’estimer une fonction de consommation sous linéaire
comme suit :

Nos variables sont tous logués. Nous avons Lcons comme variable
dépendante et Lpib, Lipc et Lgt comme explicative. a_0 représente la
constante et e_t l’erreur.
Pour valider notre modèle linéaire apres estimation, on doit vérifier les
hypothèses suivantes sur les résidus :

H1 : Les erreurs sont de moyenne nulle

H2 : La variance des erreurs est constante (Homoscédasticité)

H3 : Les erreurs sont indépendants

H4 : Les erreurs suivent une loi normale

2. Estimation du modèle
Pour estimer notre modèle, on a deux possibilités :

 sélectionner, dans le menu principal, Quick/Estimate Equation….Dans la

fenêtre qui s’affiche, on tape l’équation en commençant par la variable
endogène suivie d’une constante et des variables explicatives.
 sélectionner les variables qui interviennent dans l’équation en
commençant par la variable endogène (LCONS), à faire ensuite un clic
droit et à sélectionner Open as Equation.
 On pourra loguer les variables directement dans la fenêtre qui s’affiche.
On obtient le tableau ci contre.

Ce tableau présente les principales caractéristiques de la régression.

 La première partie du tableau nous présente les variables, les

coefficients estimés et leurs significativités à travers la p-value.
 La seconde partie montre les caractéristiques globale du modèle.

Interprétation des résultats de la régression :

 La partie basse du tableau nous montre que notre modèle est

globalement significatif (p-value associé à la F-stat : 0,0000). Aussi, le
R2-adjusté associé au modèle est de 0,987. Ce qui veut dire la variance
expliquée par notre modèle est de 98,7% ce qui est assez grand.
  La partie haute du tableau nous renseigne sur les variables. On note
que seul les variables significatives au seuil de 5% sont Lpibr et Lipc.
Donc on peut interpréter les coefficients associés.
Tests de diagnostique des résidus
 Test de normalité des résidus (Test de Jarque-Bera : Pour réaliser ce
test, cliquer sur View ensuite « Residual diagnostic » et choisir
« Histogram – Normality test ».
 L’hypothèse nulle : Normalité des résidus
 La p-value associé à la statistique de Jarque-Bera est 0,22 > 5%. Donc
on accepte l’hypothèse nulle de normalité des résidus.

 Test d’hétéroscédasticité(Test de White) : Pour réaliser ce test, cliquer

sur View ensuite « Residual diagnostic » et choisir « Heteroscedasticity
test» puis white.
 L’hypothèse nulle : Homoscédasticité
 La p-value associé au test est 0,69 > 5%. Donc on ne peut rejeter
l’hypothèse nulle d’homoscédasticité des résidus
 Test d’autocorrélation(Test de Breusch et Godfrey) : Pour réaliser ce
test, cliquer sur View ensuite « Residual diagnostic » et choisir « Serial
Correlation LM Test» puis choisir le nombre de retards.
 L’hypothèse nulle : Absence d’autocorrélation
 La statistique de test de Breusch-Godfrey reporte une probabilité de
0.041 < 5%. Ces valeurs nous amènent à rejeter l’hypothèse nulle
d’absence d’autocorrélation d’ordre un des erreurs.

 Test de spécification(Test de Ramsey) : Pour réaliser ce test, cliquer

sur View ensuite « Stability test» et choisir « Ramsey RESET test» puis
choisir le nombre de retards.
 L’hypothèse nulle : Absence d’autocorrélation
 La probabilité critique de la statistique de test indique qu’il n’y a pas
d’erreur de spécification dans l’équation estimée.