Master management bancaire et finance internationale

Rapport
Le Produit Intérieur Brut et ses
déterminants : Une analyse
empirique

Réalisée par : PROFESSEUR :

OUSSAMA EL MERABET Mr. BADDI HICHAM
PLAN:

- Introduction
-ETUDE EMPIRIQUE DE LE PRODUIT INTÉRIEUR BRUT
-Description des données

-ETAPE 1 : Etudier les caractéristique des variables

-Etape 2 : Estimation du modèle

-ETAPE 3 ; Vérification des hypothèses du modèle

-Conclusion
Introduction :

Le Produit Intérieur Brut (PIB) est un indicateur fondamental pour mesurer la

performance économique d’un pays. Il exprime la valeur totale des biens et
services produits au cours d’une période donnée, généralement une année, et
constitue un outil essentiel pour les décideurs économiques, les investisseurs et les
chercheurs. Comprendre les facteurs qui influencent le PIB est crucial pour
formuler des politiques économiques efficaces visant à promouvoir la croissance et
la stabilité.

Dans ce Rapport, on va concentre sur trois déterminants principaux du PIB :

l’investissement total, l’inflation et le taux de chômage. Chacun de ces facteurs joue
un rôle distinct dans la dynamique économique. L’investissement est souvent
considéré comme le moteur de la croissance économique, l’inflation reflète les
tensions sur les prix qui peuvent altérer la production réelle, et le taux de chômage
illustre l’efficacité de l’utilisation des ressources humaines.

Pour analyser ces relations, nous avons recours à un modèle de régression linéaire
multiple, une méthode statistique permettant d’estimer l’effet de chaque variable
explicative sur le PIB. Ce modèle est soumis à une série de tests économétriques.
Par ailleurs, des outils graphiques, comme les boîtes à moustaches et les matrices
de corrélation, permettent de mieux comprendre les données utilisées.

L’objectif de cette étude est double : d’une part, mettre en évidence les relations
entre le PIB et ses principaux déterminants, et d’autre part, identifier les forces et
les faiblesses du modèle économétrique utilisé.
Data :

Produit intérieur brut Investissement total Inflation Taux de chômage

433.982 20.814 6.287 16.000
492.394 19.770 2.817 15.500
482.488 21.009 1.096 15.400
520.987 23.513 2.710 15.200
523.745 21.306 0.792 13.800
532.086 21.846 1.832 13.400
572.269 23.115 0.643 12.300
591.246 22.723 2.810 11.300
628.594 24.538 1.118 11.500
658.779 26.256 1.474 10.800
678.400 25.363 1.090 11.100
731.044 25.957 3.234 9.700
750.824 31.352 1.972 9.800
795.297 37.226 3.754 9.600
829.047 33.057 -0.219 9.100
860.681 32.191 0.989 9.100
905.831 34.074 0.979 8.900
933.096 32.651 1.293 9.000
975.416 32.919 1.809 9.200
1001.454 30.511 0.522 9.900
1044.963 29.994 1.559 9.700
1050.409 31.747 1.535 9.400
1103.538 31.456 0.806 10.200
1137.368 31.941 1.600 9.500
1170.249 30.421 0.197 9.200
1086.246 28.620 0.688 11.900
1173.374 30.368 1.366 12.300
1188.142 30.115 6.641 11.800
1223.986 29.408 6.137 13.000
1262.479 30.026 2.158 11.995
1304.168 30.572 2.530 11.484
ETUDE EMPIRIQUE DE LE PRODUIT
INTÉRIEUR BRUT
Description des données:
Variable à expliquer :

Le Produit Intérieur Brut (PIB) est un indicateur économique qui mesure la valeur totale
des biens et services produits dans un pays au cours d'une période donnée (généralement
une année).

Il représente la richesse créée dans un pays et est utilisé pour évaluer la santé
économique d'une nation et comparer son économie à celle d'autres pays.

Variables explicatives:

1. Investissement total, Pourcentage du PIB – L'investissement est un facteur

crucial dans la croissance économique. Un niveau plus élevé d'investissement peut
conduire à une augmentation de la production dans l'économie, ce qui impacte le
PIB réel.
2. Inflation, prix moyens à la consommation, Pourcentage de changement –
L'inflation influence directement le pouvoir d'achat et peut fausser l'interprétation du
PIB nominal par rapport au PIB réel. Une inflation élevée pourrait réduire la valeur
réelle de la production.
3. Taux de chômage – Le taux de chômage peut avoir une relation inverse avec le
PIB réel. Un taux de chômage élevé indique une sous-utilisation des ressources
humaines, ce qui peut ralentir la croissance économique.

l'équation du modèle économique formulée comme suit :

Y=β0+β1X1+β2X2+β3X3+εY

Y : Produit Intérieur Brut (variable dépendante).

● X1 : Investissement total (variable explicative).

● X2 : Inflation (variable explicative).
● X3 : Taux de chômage (variable explicative).
● β0: Constante du modèle.
● β1,β2,β3: Coefficients des variables explicatives, qui mesurent l'effet de chaque
facteur sur le Produit Intérieur Brut..
● ε : erreur résiduel.
ETAPE 1 : Etudier les caractéristique des variables

summary:

Interprétation:

● Produit Intérieur Brut (Y)

sa valeur minimal et maximal est de 434 et 1304.2 respectivement
et :
1st Qu: 25% des observations sont inférieur à 609.9 et 75% sont supérieur à 609.9
Médian: 50% des observations sont inférieur à 860.7 et 50% sont supérieur à 860.7
3rd Qu : 75% des observations sont inférieur à 1094.9 et 25% sont supérieur à 1094.9
Et sa Moyenne: 859.4

● Investissement total (X1)

sa valeur minimal et maximal est de -0.219 et 37.23 respectivement

et :
1st Qu: 25% des observations sont inférieur à 24.03 et 75% sont supérieur à 24.03
Médian: 50% des observations sont inférieur à 30.03 et 50% sont supérieur à 30.03
3rd Qu : 75% des observations sont inférieur à 31.60 et 25% sont supérieur à 31.60
Et sa Moyenne: 28.22

● Inflation (X2)

sa valeur minimal et maximal est de -0.219 et 6.641 respectivement

et :
1st Qu: 25% des observations sont inférieur à 0.984 et 75% sont supérieur à 0.984
Médian: 50% des observations sont inférieur à 1.535 et 50% sont supérieur à 1.535
3rd Qu : 75% des observations sont inférieur à 2.620 et 25% sont supérieur à 2.620
Et sa Moyenne: 2.007

● Taux de chômage (X3)

sa valeur minimal et maximal est de 8.90 et 16.00 respectivement

et :
1st Qu: 25% des observations sont inférieur à 9.55 et 75% sont supérieur à 9.55
Médian: 50% des observations sont inférieur à 11.10 et 50% sont supérieur à 11.10
3rd Qu : 75% des observations sont inférieur à 12.30 et 25% sont supérieur à 12.30
Et sa Moyenne: 11.33

la Matrice :

la matrice de corrélation il est symétrique par rapport à la diagonal principale

● entre Y et Y : le coefficient de corrélation d'une variable et elle même

toujours 1
● entre Y et X1 il existe une forte corrélation positive de 0.7258875 entre les
variables , Ce qui indique les deux variable variée dans le même sense
● entre Y et X2 il existe une faible corrélation positive de 0.01829542 entre
les variables , Ce qui indique les deux variable variée dans le même sense
● entre Y et X3 il existe une corrélation Modérée négative de -0.5034965
entre les variables , Ce qui indique les deux variable variée dans le sense
inverse

pour les variables explicative:

● X1 et X2 : il existe une corrélation négative de -0.1275148 entre les

variables , Ce qui indique les deux variable variée dans le sense inverse
● X1 et X3 : il existe une corrélation négative de -0.8115356 entre les
variables , Ce qui indique les deux variable variée dans le sense inverse
● X2 et X3 : il existe une corrélation positive de 0.3870258 entre les variables ,
Ce qui indique les deux variable variée dans le même sense
La boîte à moustache:

➔ boite a moustache de la variable dépendante Y:

D'après l'analyse de cette boîte à moustache, on peut dire que le centre de la boîte
compose de 50% des observations entre Q1(609.9) et Q3(1094.9) et les borne de
moustache sont le Min et le Max est de 434.0 et 1304.2 respectivement .

❖ on peut constater qu'il n existe pas des variables aberrantes dans la série de Y

➔ boite a moustache de la variable X1:

D'après l'analyse de cette boîte à moustaches de la variable X1, on peut constater
que 50 % des observations se situent entre le premier quartile (Q1 = 24.03) et le
troisième quartile (Q3 = 31.60). Les extrémités des moustaches correspondent aux
valeurs minimale (Min = 19.77) et maximale (Max = 37.23).

❖ on peut constater qu'il n existe pas des variables aberrantes dans la série de X1

➔ boite a moustache de la variable X2:

D'après l'analyse de la boîte à moustaches de la variable X2, il ressort que 50 %

des observations sont comprises entre le premier quartile (Q1 = 0.984) et le
troisième quartile (Q3 = 2.620). Les moustaches s'étendent des valeurs minimale
(Min = -0,219) à maximale (Max = 6.641).

❖ on peut constater qu'il existe 3 variables aberrantes dans la série de X2

D'après l'analyse de la boîte à moustaches de la variable X3, il ressort que 50 %
des observations sont comprises entre le premier quartile (Q1 = 9.55) et le
troisième quartile (Q3 = 12.30). Les moustaches s'étendent des valeurs minimale
(Min = 8.90) à maximale (Max = 16.00).

❖ on peut constater qu'il n existe pas des variables aberrantes dans la série de X3
Etape 2 : Estimation du modèle:
Ajustement du modèle de régression linéaire:

interpretation des resultats:

L'intercept, bien qu'il ait une valeur estimée importante (-931.079), n'est pas
statistiquement significatif

H0: β=0

H1: β=0

Si la p-value liée au coefficient β est inférieure à 0,05, on rejette H0 et on accept

H1,

donc le coefficient est significatif

1- pour la variable X1:

le coefficient liée à la variable X1 il est positive et significativement différent de 0

comme l'indique ça p-value qui est 0.000703 < 0.05 (*** : significativité au
niveau de 0%)

c'est-a-dire qu' une augmentation d'une unité de X1 entraîne une augmentation de

52.393 de la variable dépendante.

2- pour la variable X2:

le coefficient liée à la variable X2 il est positive et non significative comme l'indique

ça p-value qui est 0.724329 > 0.05

Cela signifie que X2 n'a pas d'effet significatif sur la variable dépendante dans ce
modèle.
3- pour la variable X3:

le coefficient liée à la variable X3 il est positive et non significative comme l'indique

ça p-value qui est 0.421808 > 0.05

Cela signifie également que X3 n'a pas d'effet significatif sur la variable
dépendante.

R² = 0.5505 :

Cela signifie que 55,05 % de la variabilité totale de la variable dépendante est

expliquée par les variables indépendantes du modèle.

R² ajusté = 0.5005 :

Ici, le R² ajusté est inférieur au R² (0.5005 contre 0.5505), ce qui indique qu'une
partie des variables explicatives (comme X2 et X3, non significatives) pourrait ne
pas contribuer efficacement au modèle.
ETAPE 3 ; Vérification des hypothèses du modèle
H1 : La nullité de l’espérance de l’erreur:
Alors dans notre cas la moyenne des résidus égale a -1.695239e-14 est un
nombre qui est nul, cela rend l’hypothèse de la nullité de l’espérance de l'erreur
vérifiée.

H2 : Absence d’autocorrélation des erreurs

➔ Test de durbin-watson

Ici, DW = 0.39254, ce qui est très faible et Une p-value très faible (2.397e-10) qui
est inférieur à 0.05, Cela indique une autocorrélation positive marquée des
erreurs.

➔ Test de breush-godfrey

Le test de breush-godfrey nous donne une p-value de (6.396e-06) qui est

inférieur à 0.05 ce qui implique une autocorrélation des erreurs dans le modèle

➔ Test de Ljung-Box

le Test de Ljung-Box donne une p-value de 1.056e-07 qui est inférieur à 0.05 ce
qui implique une autocorrélation des erreurs dans le modèle

H3 : Homoscédasticité des erreurs:

 ➔ Test de Breusch-Pagan

Le test de Breusch-Pagan révèle une p-value de 0.00278, inférieure à 0.05, alors

que les erreurs du modèle sont hétéroscédastiques. c'est-à-dire que les erreurs ont
une variance constante

➔ Test de white

Le test de White révèle une p-value de 0.00064225, Puisque la p-value est bien
inférieure à 0.05, cela indique également la présence d'hétéroscédasticité dans le
modèle, confirmant que la variance des erreurs n'est pas constante

H4 : Normalité des résidus:

D'après l'histogramme, les résidus semblent se rapprocher d'une distribution

symétrique autour de 0, mais il est difficile d'affirmer qu'ils suivent une loi normale
ou pas uniquement à partir de ce graphique. Alors pour vérifier on va utiliser les
deux tests suivent :

➔ Shapiro-Wilk Test :
 ca p-value = 0.4387 alors il est supérieure à 0.05, donc nous acceptons H0. et
cela signifie que les résidus suivent une loi normale.

➔ Test de jaque-berra:

ca p-value = 0.6599 , Étant donné que la p-value est bien supérieure à 0.05, donc
on accepte H0 Ce qui signifie que les résidus suivent une loi normale.

➢ Les résultats de l'histogramme et des deux tests (Shapiro-Wilk et Jarque-Bera)

indiquent que les résidus suivent une loi normale. Cela est favorable à la validité
de l’hypothèse de Normalité des résidus. Alors la condition de normalité des
résidus est respectée.

H5 : Non multi-colinéarité:

Les résultats montrent que les variables X1 (VIF = 3.33) et X3 (VIF = 3.85) ont des
VIF qui est élevés, mais inférieurs au seuil critique de 5, indiquant une colinéarité
modérée et pour la variable X2 (VIF = 1.34) présente un VIF faible, ce qui signifie
qu'elle ne pose pas un problème de colinéarité. (absence de multi-colinéarité)

- Stabilité des coefficients du modèle

● D’après le graphique de CUSUM , le graphe ne sort pas du carreaux, Donc le
modèle sera bien prédit cela signifie que les coefficients du modèle sont stables.

- Stabilité de la variance des résidus

● D’après le graphique de CUSUMQ, La courbe de la variance n’a pas sortie du

corridor de stabilité, cela montre que la variance des résidus est stable.
Conclusion
L'analyse économétrique réalisée a permis d'évaluer les principaux déterminants
du PIB à travers un modèle de régression linéaire multiple. et les résultats montrent
que l'investissement total est la seule variable explicative significative, et aussi que
l'inflation et le taux de chômage n'ont pas d'effet notable dans ce modèle étudié.

Bien que l'hypothèse de la normalité des résidus soit respectée, des problèmes
d'autocorrélation des erreurs et d'hétéroscédasticité ont été détectés, comme en
témoignent les résultats des tests de Durbin-Watson, Breusch-Godfrey, et Breusch-
Pagan. Ces diagnostics montrent que le modèle, bien qu'il explique une part
substantielle de la variabilité du PIB (R² = 55,05 %), nécessite des ajustements
pour gagner une fiabilité.