Comment les stratégies d’implémentation influencent-elles la CEMAC ?

Pour citer ce mémoire et accéder à toutes ses pages
🏫 UNIVERSITÉ DE DOUALA - ÉCOLE DOCTORALE DES SCIENCES SOCIALES ET HUMAINES - Unité de Formation Doctorale en Sciences Économiques et de Management Appliquée (UFDSEMA)
📅 Mémoire de fin de cycle en vue de l'obtention du diplôme de Master Recherche - 2021–2022
🎓 Auteur·trice·s
NGUINI Justin Jerzy
NGUINI Justin Jerzy

Les stratégies d’implémentation économique révèlent des impacts contrastés de la monétisation des dépenses publiques sur les performances macroéconomiques des États de la CEMAC. Alors que le Cameroun en tire profit, le Congo et le Gabon font face à des défis majeurs, soulignant l’importance d’une gestion fiscale optimisée.


L’impact de la monétisation publique sur les performances macroéconomiques des États de la CEMAC révèle des résultats inattendus : alors que le Cameroun en bénéficie, le Congo et le Gabon subissent des effets négatifs. Cette étude propose des recommandations cruciales pour optimiser la gestion fiscale et garantir la stabilité politique.


Détermination du nombre de retard optimal

Comme pour tout modèle dynamique, la détermination du décalage optimal se fera par le biais d’un certain nombre de critères d’information (AIC, SIC, HQ…) pour (k* ou q*). Un retard optimal est considéré comme celui dont le modèle estimé offre la valeur minimale d’un des critères énoncés. Parmi ces critères on distingue :

  • Le critère AIC : Akaike Information Criterion

𝑨𝑰𝑪(𝒑) = 𝒍𝒐𝒈|𝜮. | + 𝟐 𝒏𝟐𝒑

𝑻

  • Le critère SIC : Schwarz Information Criterion

𝑺𝑰𝑪(𝒑) = 𝒍𝒐𝒈|𝜮. | + 𝒍𝒐𝒈𝑻 𝒏𝟐𝒑

𝑻

  • Le critère HQ : Hannan-Quinn Information Criterion

𝑯𝑸(𝒑) = 𝒍𝒐𝒈|𝜮. | + 𝟐𝒍𝒐𝒈𝑻 𝒏𝟐𝒑

𝑻

|𝜮. | Represente la matrice des variance-covariance des résidus estimés ; T le nombre d’observations ; p le décalage ou lags du modèle estimé et n le nombre de répresseurs.

Étude de la stationnarité

La stationnarité d’une série chronologique (absence de racine unitaire), peut avoir lieu par une panoplie de tests disponible dans les logiciels d’économétrie. Parmi ces tests on peut retrouver

: le test Augmented Dickey-Fuller (ADF), le test de Phillippe-Perron (PP), celui d’Andrews et Zivot (AZ), le test Ng-Perron, Kwiatkowski, Phillips, Schmidt et Shin (KPSS), Ouliaris-Park- Perron, Eliott-Rothenberg-Stock, etc… Les tests les plus courant sont :

  • Test Augmented Dickey-Fuller : il présente une forte efficacité en présence d’autocorrélation des erreurs ;
  • Test de Phillippe-Perron : est généralement utilisé lorsqu’il y a violation de l’hypothèse d’homoscédasticité ;
  • Andrews et Zivot : est adapté pour des séries qui sont victimes de changement de régime (rupture de tendance) identifié de façon endogène ;
  • KPPS : décompose une série en trois composantes (partie déterministe, partie aléatoire, bruit blanc) avec l’hypothèse nulle de stationnarité (J. K. Kuma, 2018, P.8).

Pour réussir à capter les effets à long terme d’une ou plusieurs variables exogènes sur la variable expliquée, une condition est nécessaire : les séries chronologiques sous études doivent être cointégrées.

Analyse de la Cointégration

On dit que deux séries sont cointégrées si l’ordre d’intégration entre ces dernières est le même. Ainsi, une série est donc intégrée d’ordre m si son processus de stationnarisation implique qu’elle soit différenciée m fois. Cependant, les déterminants d’une série stationnaire sont :

    • La moyenne notée 𝐄(𝐘𝐭) = 𝐜 , se doit de rester constante au fil du temps ;
    • La variance, 𝐕𝐚𝐫(𝐘𝐭) = 𝛔 c’est-à-dire ne doit pas augmenter avec le temps ;
    • Les covariances, 𝐲𝐭 = 𝐄(𝐘𝐭 − 𝐜)(𝐘𝐭−𝐩 − 𝐜) aussi ne doit pas samplifier en fonction du temps.

La cointégration entre séries chronologiques suppose qu’il existe au moins une relation de long terme d’équilibre entre elles. Ces relations peuvent ainsi être combinées avec les dynamiques de court terme de ces séries dans un vecteur à correction d’erreurs qui prend la forme suivante :

𝚫𝐘𝐭 = 𝐚𝐘𝐭−𝟏 + ∑𝐏 𝐛𝐢∆𝐘𝐭−𝐢 + 𝐮𝐭 (6)

𝐢=𝟏

Avec : 𝚫𝐘𝐭 , le vecteur de variables stationnaires dont on explique la dynamique ;

𝐛𝐢 , la matrice dont les éléments sont des paramètres associés à ∆𝐘𝐭−𝐢 ; a est la matrice de même dimension que 𝚫𝐘𝐭 (où r( A) vaut le nombre de relation de cointégration) et ∆= l’opérateur de différence première.

En économétrie, il existe plusieurs approches capables de déterminer l’existence ou non d’au moins une relation de long terme entre des séries chronologiques. La revue de la littérature nous amène à identifier un certain nombre de tests de cointégration dont :

  • Le test de Engel et Granger (1987) :

Ce dernier se réalise en deux étapes : On commence par estimer par les MCO, la relation de long terme et on finit, sur l’équation statistique par procéder au test de stationnarité. Cependant, cette méthode regorge d’assez de limites. Elle n’autorise l’étude de cointégration que sur deux séries. Ces deux séries doivent être intégrées de même ordre et la limite d’intégration n’est faite qu’à l’unité. Il est donc adapté au cas bivarié et s’avère ainsi moins efficace pour des cas multivariés (Pesaran et al., 1987)

  • La méthode de Johansen et Juselius (1990), Johansen (1988, 1991) :

Ce test permet de vérifier la cointégration sur plus de deux séries, il est donc adapté pour des cas multivariés. Malgré le fait que cette technique soit fondée sur une modélisation vectorielle autorégressive à correction d’erreur (VECM), elle apporte un support fort aux limites du test de Engle et Granger pour le cas multivarié. Cependant, ce test n’apporte pas de solution sur le nombre de cointégration qui est fixé à l’unité.

Le test de Bounds via la technique de Pesaran et Shin (1995), Pesaran et al. (1996)

et Pesaran et al. (2001) :

Lorsqu’on dispose de plusieurs variables intégrées d’ordres différents (I(0), I(1)), l’on peut recourir au test de cointégration de Pesaran et al. (2001) appelé « test de cointégration aux bornes » ou « bounds test to cointegration ». Initialement développé par Pesaran et Shin (1999), si l’on recourt au test de cointégration de Pesaran pour vérifier l’existence d’une ou plusieurs relations de cointégration entre les variables dans un modèle ARDL, l’on dira que l’on recourt à l’approche « ARDL approach to cointegrating » ou que l’on

applique le test de cointégration par les retards échelonnés. Le modèle qui sert de base au test de cointégration par les retards échelonnés (test de Pesaran et al. (2001)) est la spécification ARDL cointégrée suivante (elle

prend la forme d’un modèle à correction d’erreur ou VECM). Dans le cadre de notre travail, ce modèle se présente comme suit :

𝜟𝑷𝑰𝑩𝑯𝒕

= 𝒂𝟎

𝑷

𝒊=𝟏

+ ∑

𝒂𝟏𝒊

∆𝑷𝑰𝑩𝑯

𝒕−𝒊

𝒒

𝒊=𝟎

+ ∑

𝒂𝟐𝒊

∆𝒊𝒏𝒇𝒍𝒕−𝒊

𝒒

𝒊=𝟎

+ ∑

𝒂𝟑𝒊

∆𝒕𝒙𝒄𝒉𝒐𝒎𝒂𝒈𝒆

𝒕−𝒊 +

𝒒

𝒊=𝟎

𝒂𝟒𝒊

∆𝒓𝒗 − 𝒇𝒊𝒔𝒄𝒕−𝒊

𝒒

𝒊=𝟎

+ ∑

𝒂𝟓𝒊

∆𝒅𝒑𝒖𝒃

𝒕−𝒊

𝒒

𝒊=𝟎

+ ∑

𝒂𝟔𝒊

∆𝒎𝒂𝒔𝒎𝒐

𝒕−𝒊 +

𝒒

𝒊=𝟎

𝒂𝟕𝒊

∆𝒑𝒂𝒄𝒕𝒊𝒗𝒕−𝒊

+ 𝜽𝑬𝑳𝑻𝒕−𝟏

+ 𝒆𝒕

….(7)

Le coefficient 𝜽 du terme de correction d’erreur(𝐸𝐿𝑇𝑡−1) dans l’équation (7) est la vitesse du paramètre de réglage qui montre la rapidité avec laquelle la série atteint un équilibre à long terme. Le signe attendu de ce coefficient est négatif et significatif.

Il y a deux étapes à suivre pour appliquer le test de cointégration de Pesaran, à savoir :

    • La détermination du décalage optimal avant tout (AIC, SIC, HQ) et
    • Le recourt au test de Fisher pour vérifier les hypothèses (confert équation 5) :

𝐛𝟏 = ⋯ = 𝐛𝟓 = 𝟎: Existence d’une relation de cointégration

𝐛𝟏 ≠ ⋯ ≠ 𝐛𝟓 ≠ 𝟎: Absence d’une relation de cointégration

Ce pendant en cas d’existence d’au moins une relation de long terme (existence d’une relation de cointégration), la spécification de notre modèle sera un ARDL de long terme ou un vecteur à correction d’erreur (VEC). Par contre si l’on enregistrera une absence de relation de long terme nous estimerons un ARDL de court terme ou un vecteur autorégressif (VAR) car ce dernier permet, moyennant l’introduction d’un nombre minimal de restrictions, d’identifier certains chocs structurels (Sims, 1980, 1992)


Questions Fréquemment Posées

Quel est l’impact de la monétisation de la dépense publique sur la croissance économique des États de la CEMAC?

Les résultats montrent des effets variés de la monétisation sur la croissance économique, avec des impacts positifs à court terme pour le Cameroun et négatifs pour le Congo et le Gabon.

Quels critères sont utilisés pour déterminer le retard optimal dans les modèles dynamiques?

La détermination du décalage optimal se fait par le biais de critères d’information tels que AIC, SIC et HQ.

Comment est analysée la stationnarité des séries chronologiques dans l’étude?

La stationnarité d’une série chronologique peut être testée par des méthodes comme le test Augmented Dickey-Fuller (ADF) et le test de Phillippe-Perron (PP).


Questions Fréquemment Posées

Quel est l’impact de la monétisation de la dépense publique sur les performances macroéconomiques des États de la CEMAC ?

Les résultats montrent des effets variés de la monétisation sur la croissance économique, avec des impacts positifs à court terme pour le Cameroun et négatifs pour le Congo et le Gabon.

Quelles méthodes sont utilisées pour analyser la stationnarité des séries chronologiques dans l’étude ?

Parmi les tests utilisés pour analyser la stationnarité, on trouve le test Augmented Dickey-Fuller (ADF), le test de Phillippe-Perron (PP), et le test KPSS.

Comment la cointégration est-elle définie dans le contexte de l’article ?

On dit que deux séries sont cointégrées si l’ordre d’intégration entre ces dernières est le même, ce qui implique qu’il existe au moins une relation de long terme d’équilibre entre elles.

Rechercher
Télécharger ce mémoire en ligne PDF (gratuit)

Laisser un commentaire

Votre adresse courriel ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Scroll to Top