Modèles à Équations

Présentée par:
ZINEB ABOUELKACEM Simultanées
EHSAN EL KHALIDI
MAHA BELMAACHI
MERYEM EL MOUDEN
KHADIJA EL FAKIRI Encadrée par: M. RACHID CHAABITA
MOHAMMED EL FERJANI Filière: MASTER PE APEP
 Plan
Introduction
Le biais simultané

Le problème d’identification

Estimation des Modèles à Équations

Simultanées
Estimation des Équations Simultanées
avec Eviews 2
Introduction

3
 EXEMPLES DES MODÈLES
SIMULTANÉS:
Le modèle Keynésien simple

Le modèle simple d’offre et de demande

4
 EXEMPLES DES MODÈLES
SIMULTANÉS:

Le modèle IS – LM

Le modèle Macroéconomique

5
 Le biais simultané
EXEMPLE 1: Le modèle Keynésien simple

AVEC:
Ct: Consommation
Rt: Revenu disponible
It: Investissement autonome 6
FORME RÉDUITE:

Ces équations présentent chaque variable

endogène en termes de variables
exogènes et de termes d'erreur.
7
 Rt est corrélée avec le terme d’erreur

Les estimations des MCO sont biaisées et incohérentes.

8
ESTIMATION AVEC MCO:

DONC:

9
UTILISATION DE LA LIMITE EN PROBABILITÉ

AVEC:

10
Simultaneous Equations Model
KEY POINTS SUMMARY
THE KENESIEN MODEL:

Ct : Consumption
EQUATIONS IN REDUCED FORM:
Rt : Income
It : Investment

The OLS method is invalid here due to the violation of the assumption of no
correlation between explanatory variables and the error term COV(X;U)=0,
11
resulting in biased estimates.
Simultaneous Equations Model
EXAMPLE 2
DEMAND-AND-SUPPLY MODEL:

Demand function: Qd = α0 + α1 Pt + u1t α1 < 0

Supply function: Qs = β0 + β1 Pt + u2t β1 > 0
Equilibrium condition: Qd = Qs
where Qd = Quantity demanded
Qs = Quantity supplied
Pt :The price
By substituting the equilibrium condition,
we obtain :

12
Simultaneous Equations Model
EXAMPLE 2
DEMAND-AND-SUPPLY MODEL:

> There is only one equilibrium pair (Qt, Pt), which cannot be clearly identified as
demand or supply prices and quantities.

> Performing an OLS regression of Qt on Pt, it is unclear whether we are

estimating demand or supply.

> This creates an identification problem, which will be addressed in the next
section. 13
Simultaneous Equations Model
EXAMPLE 2
DEMAND-AND-SUPPLY MODEL:
A Demand and Supply Equilibrium :

α0 + α1Pt + u1t = β0 + β1Pt + u2t

14
Simultaneous Equations Model
EXAMPLE 2
DEMAND-AND-SUPPLY MODEL:

The properties of Ordinary Least Squares estimations :

This estimator is unbiased if the last term has an expectation of zero.

To find this expectation, we solve the structural equations for Qt and Pt.

15
Simultaneous Equations Model
EXAMPLE 2
DEMAND-AND-SUPPLY MODEL:

The properties of Ordinary Least Squares estimations :

EQUATIONS IN REDUCED FORM:

Note that Qt and Pt are functions of the two errors ε1 and ε2.
Therefore, Pt is correlated with εt1. 16
Simultaneous Equations Model
EXAMPLE 2
DEMAND-AND-SUPPLY MODEL:

The properties of Ordinary Least Squares estimations :

The last term in the equation is not zero, β1 and α1 are not consistent
estimators. The bias arises from the correlation between the price
(the explanatory variable) and the error term ε1.
17
LE PROBLÈME DE
L’IDENTIFICATION

Restrictions sur les coefficients

Conditions d’identification
18

20
 Restrictions sur les
coefficients
DÉFINITION:

Une restriction sur les coefficients apparaît lorsqu’un

paramètre est contraint à une valeur déterminée dans un
modèle structurel.

TYPES DE RESTRICTIONS :
RESTRICTIONS D’EXCLUSION
RESTRICTIONS LINÉAIRES 19
 Restriction
Exclusion
Lorsqu’une variable (endogène ou exogène)
n’apparaît pas dans une équation structurelle,
son coefficient est nul.

Exemple 1
dans un modèle simultané de type offre-demande :

Ici, la variable Y n’apparaît pas dans l’équation d'offre, donc

le coefficient de Y est égal à 0 pour cette équation.
20
Restriction
Linéaire Lorsqu’un modèle impose que plusieurs variables
soient affectées d’un coefficient identique.

Exemple 2
dans un modèle économique ,
Les équations du modèle sont :

Le coefficient α1 est identique pour les deux équations.

Une augmentation du revenu (Y) impacte proportionnellement et de la

même manière : La consommation (C), L’investissement (I).
Les restrictions linéaires permettent de réduire le nombre de
paramètres du modèle et d’assurer l’identification des équations.

21
 Problème d’identification
- Le problème d'identification survient lorsqu'il est
impossible de déterminer de manière unique les
paramètres structurels (β, α, etc.) d'un modèle à partir des
équations de forme réduite.

22
Objectif du problème d'identification:
C’est classifier les équations comme:
Sous-identifiées (impossible à
identifier),
Exactement identifiées (identifiées de
manière unique),
Sur-identifiées (plusieurs solutions
possibles).

23
 La Condition d'Ordre:
La condition d'ordre vérifie le nombre de variables exclues
de l'équation. Elle repose sur le nombre de variables
endogènes (D) et le nombre de variables exclues (M).

Formule:
- Si M < D - 1: L'équation est sous-identifiée.
- Si M = D - 1: L'équation est exactement identifiée..
- Si M > D - 1: L'équation est sur-identifiée.
24
 La Condition de Rang:
Étapes pour la vérification:
1. Construire un tableau avec:
- Une colonne pour chaque variable (endogène et exogène).
- Une ligne pour chaque équation.
- Marquer 1 pour les variables incluses et 0 pour les variables exclues.
2. Pour une équation particulière:
- Supprimer la ligne de l'équation analysée.
- Retenir les colonnes des variables exclues de l'équation.
3. Vérification:
- Il doit exister au moins D - 1 lignes et colonnes non nulles dans le tableau obtenu.

25
 L’estimation
L'estimation du système ne peut pas se faire par les Moindres Carrés Ordinaires (MCO) car il pose un
problème d'endogénéité.

En effet, l'estimation par les MCO requiert l'exogénéité de toutes les variables explicatives c'est-à-dire leur
non-autocorrélation avec le terme d'erreur.

La violation de cette hypothèse rend les estimateurs des MCO biaisés et non-convergents.

Les méthodes d’estimation sont tributaires aux statuts (caractéristiques/natures) des équations après
identification Il existe plusieurs méthodes d'estimation d'un modèle à équations simultanées.

Le choix de la méthode dépend des conditions d'identification on peut genraliser deux grand méthodes :
Méthodes à information limitée (limited information : LI) : les équations sont estimées séparément
Méthodes à information complète (full information : FI) : le système est estimé en une seule fois et toutes les
équations sont estimées simultanément. 26
 L’estimation
limited information full information

Double Moindre carrée(Dmc)

Triple Moindre carrée
Moindre carrée indirect(Mci)
Maximum vraisemblance
Moindre carrée génarlise(MCG)

Dans la première méthode, on estime le système équation par équation, En utilisant

seulement l’information par rapport aux restrictions imposées sur l’équation estimée.

Dans la méthode complète, on estime toutes les équations de manière jointe en utilisant
toutes les restrictions afférentes à toutes les équations ainsi que les variances
covariances des erreurs. 27
 L’estimation
MÉTHODE DOUBLE MOINDRE CARRÉE

La méthode DMC est de remplacer le régresseur endogène

stochastique (qui est corrélé avec le terme d’erreur et provoque le
biais) par un régresseur non stochastique et par conséquent
indépendant du terme d’erreur et on peut utilisée soit dans le cas
d’une équation sur-identifiée soit dans le cas d’une équation
exactement identifiée, on peut expliquer par deux étapes
suivantes:

28
 L’estimation
MÉTHODE DOUBLE MOINDRE CARRÉE
Etape 1 : Régresser chaque variable endogène qui est également un régresseur, sur toutes les variables
endogènes et endogènes retardées dans l’ensemble du système en utilisant MCO simple (cela équivaut à
estimer les équations de forme réduite) et obtenir les valeurs ajustées des variables endogènes de ces
régressions .
Etape 2 :Utiliser les valeurs ajustées de l’étape 1 comme proxys instruments pour les régresseurs
endogènes dans les équations originales (forme structurelle).
Example 1 : Modèle de revenu et de stock de Monnaie.

On a Y(1)est le revenu, Y(2) est le stock de la monnaie, X(1)est l’investissement et X(2) les dépenses
gouvernementales. La fonction de revenu postule une dépense du revenu par rapport à l’offre de monnaie,
l’investissement et les dépenses gouvernementales. La fonction de monnaie qui est une fonction d’offre de
monnaie postule que le stock de monnaie est contrôlé par la banque centrale sur la base du niveau
d’activité, 29
 L’estimation
MÉTHODE DOUBLE MOINDRE CARRÉE

Commentaire :
Si le R obtenu à partir de la première étape est très faible, alors la méthode 2SLS n’a plus aucunsens. La
raison est que dans ce cas on remplacerait la variable originale Y dans la deuxième étape par
l’erreurobtenue dans la première étape. Au contraire si R obtenu dans la première étape est très élevé
(>0.80) alors2SLS=OLS. Dans le cas extrême ou R serait pratiquement non stochastique
30
31
32
 L’estimation
MÉTHODE DOUBLE MOINDRE CARRÉE

Cette analyse repose sur la consommation globale, c’est donc une

approche macroéconomique. La relation consommation / revenu
est déterminée par la notion de propension moyenne à consommer.

On constate qu’il existe une relation significative entre le produit

intérieur brut et la consommation des ménages : Lorsque le revenu
augmente de 1% la consommation augmente de 69%. En d’autre
terme, les ménages épargnent une part croissante de leur revenu
au fur et à mesure que celui-ci s’accroît.
33
 L’estimation
MÉTHODE MOINDRE CARRÉE INDIRECT
La méthode des Moindres Carrés Indirects (MCI) consiste à appliquer la méthode des MCO aux
équations justes identifiées du modèle sous formes réduite ; elle se compose de trois étapes:
mise sous forme réduite du modèle structurel ; estimation par les MCO des paramètres de
chacune des équations ; détermination des coefficients des équations structurelles à partir des
relations algébriques entre coefficients réduits et structurels (puisque le modèle est juste
identifiable) L’estimateur des MCI de la forme réduite est BLUE.

L’estimateur des coefficients de la forme structurelle, obtenu à partir de l’estimateur optimal des
MCI, est biaisé pour les petits échantillons.

Les propriétés asymptotiques font tendre ce biais vers 0, Cet estimateur des MCI est rarement
utilisé du fait de la difficulté, pour les modèles importants, de déterminer la forme réduite du
modèle. Nous lui préférons l’estimateur des doubles moindres carrés, plus simple à mettre en
œuvre et qui fournit les mêmes résultats que les MCI pour les équations justes identifié,
Exemple : modèle offre et la demande 34
 L’estimation
MÉTHODE MOINDRE CARRÉE INDIRECT

On sait que la demande est sous

identifiée, don celle-ci n’est pas
estimable à moins d’échanger la
spécification. Quant à l’offre celle-ci est
identifiée. On peut donc utiliser ILS pour
obtenir les estimateurs B0 et B1 de la
forme réduite.

35
36
Eviews

37
 Eviews / Caractéristiques principales

DÉFINITION
EVIEWS, QUI SIGNIFIE "ECONOMETRIC VIEWS", EST UN LOGICIEL
D'ÉCONOMÉTRIE ET D'ANALYSE STATISTIQUE CONÇU POUR ANALYSER DES
SÉRIES TEMPORELLES, DES DONNÉES TRANSVERSALES ET DES DONNÉES DE
PANEL. DÉVELOPPÉ PAR IHS MARKIT, EVIEWS EST LARGEMENT UTILISÉ PAR
DES ÉCONOMISTES, DES CHERCHEURS ET DES ANALYSTES POUR EFFECTUER
DES ANALYSES ÉCONOMIQUES, FINANCIÈRES ET STATISTIQUES.

CARACTÉRISTIQUES PRINCIPALES

ESTIMATION ÉCONOMÉTRIQUE PRÉVISION

ANALYSE DE DONNÉES TESTS STATISTIQUES

INTERFACE UTILISATEUR 38
 Interface utilisateur d'Eviews

1 FENÊTRE PRINCIPALE 2 FENÊTRE DE COMMANDE

AFFICHE LES DONNÉES, PERMET D'EXÉCUTER DES

LES RÉSULTATS ET LES COMMANDES ET DES SCRIPTS.
GRAPHIQUES.

3 FENÊTRE DE SORTIE 4 FENÊTRE DE GRAPHIQUE

AFFICHE LES RÉSULTATS PERMET DE VISUALISER LES

DES ANALYSES ET DES DONNÉES ET LES RÉSULTATS.
ESTIMATIONS.

39
 Étapes pour estimer un modèle
simultané sur Eviews
1 Préparation des données
IMPORTEZ VOS DONNÉES DANS EVIEWS.
VÉRIFIEZ LES DONNÉES POUR S'ASSURER QU'ELLES SONT
CORRECTEMENT FORMATÉES.

2 Définition des équations du modèle

IDENTIFIEZ ET FORMULEZ LES ÉQUATIONS SIMULTANÉES
QUE VOUS SOUHAITEZ ESTIMER.

40
Étapes pour estimer un modèle
simultané sur Eviews

3 Spécification du modèle dans EViews :

ALLEZ DANS LE MENU QUICK ET SÉLECTIONNEZ

ESTIMATE EQUATION.
DANS LA FENÊTRE QUI S'OUVRE, SÉLECTIONNEZ
L'OPTION SYSTEM POUR INDIQUER QUE VOUS ALLEZ
ESTIMER UN SYSTÈME D'ÉQUATIONS.

41
Étapes pour estimer un modèle
simultané sur Eviews

4 Spécification du modèle dans EViews :

DANS LA FENÊTRE DE SPÉCIFICATION DU SYSTÈME, ENTREZ

VOS ÉQUATIONS UNE PAR UNE. PAR EXEMPLE :

42
Étapes pour estimer un modèle
simultané sur Eviews
5 Choix de la méthode d'estimation :

CHOISISSEZ LA MÉTHODE D'ESTIMATION APPROPRIÉE.

LES MÉTHODES COURANTES INCLUENT :
ORDINARY LEAST SQUARES (OLS) : MÉTHODE DES
MOINDRES CARRÉS ORDINAIRES.
TWO-STAGE LEAST SQUARES (2SLS) : MÉTHODE DES
MOINDRES CARRÉS EN DEUX ÉTAPES.
THREE-STAGE LEAST SQUARES (3SLS) : MÉTHODE DES
MOINDRES CARRÉS EN TROIS ÉTAPES.
43
Étapes pour estimer un modèle
simultané sur Eviews
6 Estimation et analyse :
CLIQUEZ SUR OK POUR ESTIMER LE MODÈLE.
ANALYSEZ LES RÉSULTATS, Y COMPRIS LES
COEFFICIENTS ESTIMÉS, LES STATISTIQUES DE TEST, ET
LES DIAGNOSTICS DU MODÈLE.

7 Validation du modèle :
VÉRIFIEZ LES HYPOTHÈSES SOUS-JACENTES DU MODÈLE
ET EFFECTUEZ DES TESTS SUPPLÉMENTAIRES SI
NÉCESSAIRE (TEST DE MULTICOLINÉARITÉ,
44
HÉTÉROSCÉDASTICITÉ, ETC.).
 CONCLUSION
CONCLUSION
LES MODÈLES D'ÉQUATIONS SIMULTANÉES SONT ESSENTIELS POUR
COMPRENDRE ET ANALYSER LES RELATIONS COMPLEXES ENTRE DIFFÉRENTES
VARIABLES ÉCONOMIQUES. EN UTILISANT CES MODÈLES, NOUS POUVONS
MIEUX INTERPRÉTER LES INTERCONNEXIONS ET LES CAUSALITÉS DANS DES
SYSTÈMES OÙ PLUSIEURS ÉQUATIONS DÉCRIVENT SIMULTANÉMENT LE
COMPORTEMENT DE VARIABLES INTERDÉPENDANTES. CELA NOUS PERMET DE
PRÉVOIR PLUS PRÉCISÉMENT L'IMPACT DE CERTAINES POLITIQUES
ÉCONOMIQUES OU DE MODIFICATIONS DE VARIABLES EXOGÈNES SUR
L'ENSEMBLE DU SYSTÈME.
EN CONCLUSION, MAÎTRISER LES MODÈLES D'ÉQUATIONS SIMULTANÉES
ENRICHIT NOTRE CAPACITÉ À FORMULER DES PRÉVISIONS ÉCONOMIQUES
ROBUSTES ET À ÉLABORER DES STRATÉGIES EFFICACES. C'EST UN OUTIL
PUISSANT POUR QUICONQUE SOUHAITE APPROFONDIR L'ANALYSE
ÉCONOMIQUE ET LES APPLICATIONS PRATIQUES DANS DIVERS DOMAINES.