Master 

: Management des Systèmes d’information Modélisation Statistique

Modèles d’équations simultanées

Réalisé Par  :

 GHOLAMI Hosni Encadrant par :

 MARBOUH Ahlam  EL KHARRIM Moad
 AISSAOUI Chaimae
 HIOUANE Amina

Année Universitaire 2019-2020

P a g e 1 | 14
Master : Management des Systèmes d’information Modélisation Statistique

Introduction

En fait, les phénomènes économiques de quelque complexité sont décrits par un ensemble de
variables, mais leur modélisation requiert en général plus d'une relation, ou équation, reliant
ces grandeurs, on parle alors de modèles à équations simultanées.
On distingue à nouveau les variables endogènes, qui sont déterminées par le modèle, et les
variables exogènes déterminées ou fixées en dehors de celui-ci.
La modélisation opère en trois phases :

la conception, c'est à dire l'écriture ou la spécification du modèle

l'estimation des équations du modèle, selon des techniques appropriées
la résolution du modèle, préalable à son emploi pour la simulation ou la prévision

I. Définition1 :
Lorsque la variable dépendante dans une équation joue également le rôle de variable
explicative dans une autre équation, nous sommes en présence d’un système ou d’un modèle à
équations simultanées.
Il existe une relation à double sens ou simultanée entre les Y et les X qui rend douteuse la
distinction entre variables dépendantes et explicatives. Il est préférable de rassembler un
ensemble de variables pouvant être déterminées simultanément en laissant de côté une série
de variables ; c’est ce qui est fait dans la technique des modèles à équations simultanées.
A. Nature et type de modèles à Equations simultanées (MES) :
Les MES sont des modèles dans lesquels nous avons plus d’une équation reliée au travers des
variables à gauche (VAG) qui se trouve aussi à droite. Un MES est donc une structure entre
variables endogènes et exogènes dans laquelle :
 Il y a pour chaque variable endogène une équation
 Chaque équation est reliée aux autres
 Les variables endogènes sont des variables dépendantes jointes
Les variables dépendantes dans un système d’équations simultanées sont dites variables
endogènes ; les variables déterminées par des facteurs extérieurs au modèle sont dites
variables exogènes (ou variables prédéterminées).
Dans ces modèles, il y a plusieurs équations ; une pour chacune des variables endogènes.
A l’inverse des modèles à une seule équation, dans les modèles à équations simultanées on
peut pas estimer les paramètres d’une seule équation sans tenir compte de l’information
procurée par les autres équations du système.

1. Forme générale :
La présentation générale du modèle à équations simultanées est la suivante :
Y 1 t =β10 + β 12 Y 2 t + α 11 X 1 t +U 1 t
Y 2 t =β 20+ β 21 Y 1 t + α 12 X 2 t +U 2 t
Y 1 t , Y 2 t: Sont des variables naturellement dépendants ou endogènes.
X 1 t , X 2 t : Les variables exogènes.
U 1 t , U 2 t : Etant des termes d’erreur stochastique.

1
DOMINICK SALVATORE professeur d’économie fordham University 1985
Damodar N.Gujarati paris 2004
P a g e 2 | 14
Master : Management des Systèmes d’information Modélisation Statistique

a) Exemple : modèle keynésien simple de détermination de revenu

-Fonction de consommation :C t=α 0 + α 1 Y t +U t 1
-Relation d’identité : Y t =C t + I t
C = La dépense de consommation.
Y = Le revenu national.
I = L’investissement (supposé exogène).
U = Le terme d’erreur stochastique.
α 0 , α 1= Des paramètres.

B. Les modèles à équations simultanées2

1. L’identification des paramètres :
Si, dans un système d’équation simultanée contenant une ou plusieurs équations, il n’est pas
possible d’obtenir des valeurs numériques de chaque paramètre dans chaque équation ; parce
que les équations sont impossibles à distinguer sur le plan de l’observation, ou bien se
ressemblent trop, et ce qui rend inadéquate l’utilisation des MCO à une équation du système
nous avons alors un problème d’identification.
Nous ne pouvons pas, sauf cas particulier utiliser la méthode des MCO équation par équation
comme si chacune de ces équations était indépendante les unes des autres.
Donc le problème d’identification doit précéder la question de l’estimation. Est-ce qu’on peut
estimer l’ensemble des paramètres du modèle structurel (paramètres interprétables
économiquement) à partir des paramètres de la forme réduite (paramètres estimables) ?
2. La forme structurelle et la forme réduite :
Lorsque nous sommes en présence d’un modèle linéaire à équations multiples, il arrive
fréquemment qu’une variable endogène d’une équation apparaisse entant que variable
explicative d’une autre équation. Ce double statut de certaines variables entraîne un biais dans
les estimations des coefficients lorsque nous employons les MCO, équation par équation.
Nous allons donc chercher à transformer le modèle initial en un modèle où Les variables
endogènes ne sont exprimées qu’en fonction des variables exogènes.
a) La forme structurelle3
La forme structurelle d’un modèle permet de décrire, non seulement les relations du système
représenté par le modèle, avec son environnement, mais les relations à l’intérieur du système entre les
variables endogènes.
En conséquence la formulation d’un modèle structurel est présentée comme suit :
Y 1 t =β10 + β 12 Y 2 t + α 11 X 1 t +U 1 t
Y 2 t =β 20+ β 21 Y 1 t + α 12 X 2 t +U 2 t

Elle se caractérise par le fait que chaque équation peut contenir jusqu’à n variables endogènes, ce qui
n’était pas le cas dans les équations précédents à une seule équation.
Pour simplifier, on peut écrire la formulation précédente sous forme matricielle :
βY t + αX t =U t

( ) ()
1 β 12 β 13 β1 n Y 1t
β β 22 β 23 β2 n Y 2t
β= 21  ;Y = ;
…. …. …. …. ….
βn 1 β n2 β n3 1 Y nt

2
https://www.cabannes.org/simultanees.pdf
3
B.Piganiol professeur à l’université ( dauphine) 1978
P a g e 3 | 14
Master : Management des Systèmes d’information Modélisation Statistique

() ()
X1t U1t

( )
α 11 α 12 … . α 1 m
α = α 21 α 22 … . α 2 m ; Y = X2t   U
;U = 2 t  
. .
α n 1 α n2 … . α nm
X mt U mt
b) Le biais des modèles à équations simultanées
Après avoir spécifié le modèle sous la forme structurelle, est-il toujours possible d'utiliser les
méthodes des MCO pour estimer ses paramètres ?
On reprend l’exemple du modèle keynésien de détermination du revenu qui représente l’exemple 1
dans notre exposé.
-Fonction de consommation :C t=α 0 + α 1 Y t +U t 1
-Relation d’identité : Y t =C t + I t

On rappelle que les variables dépendantes déterminées par le modèle sont dites des variables
endogènes : C t et Y t , et les variables déterminées ou fixées en dehors de celui-ci sont des dites
variables exogènes : I t .
La fonction de consommation perturbée par l’aléa : U t , est une équation comportementale, on
remarque que l’endogène : Y t , apparait en position d’explicative, c’est une habitude quelque peu
abusive qui fait qualifier cette équation de fonction de consommation, il serait tout aussi légitime de
l’appeler « fonction de revenu » les 2 grandeurs sont en effet endogènes dans le modèle.
La seconde équation est une équation comptable, c-à-d d’identité et elle est donc dépourvue de
perturbation aléatoire comme de coefficients in connus à estimer.
On déduit qu’Y t , dépend de C t (équation 2) qui dépend elle-même d’ U t (équation 1). Nous pouvons
conclure qu’Y t comme étant variable explicative dans l’équation 1 est corrélée avec U t , c’est cette
dépendance qui produit un facteur de biais. Nous ne sommes plus dans les conditions ou les méthodes
des MCO donnent des estimations
Correctes, faute de l’existence des rétroactions dans le modèle. Et cela viole l’hypothèse de l’absence
de colinéarité entre les variables explicatives et le terme d’erreur.

c) La forme réduite :
La forme réduite d’un modèle est l’ensemble des relations (ou équations réduites) obtenues en
exprimant chacune des variables endogènes en fonction des seules variables exogènes, et des
endogènes retardées s’il y a lieu, avec lesquelles elles constituent l’ensemble des variables dites
prédéterminées.
Elle s’obtient par élimination des variables endogènes entre les équations structurelles.
La forme réduite est directement applicable pour les prévisions puisque le problème consiste dans
l’estimation des valeurs des variables endogènes qui correspondant à des valeurs supposées des
variables prédéterminées, et puisque les variables prédéterminées sont supposées n’être pas corrélées
avec les termes erreurs, la méthode des MCO peut être utilisée pour estimer les coefficients des
équations de forme réduite.
d) Le passage de la forme structurelle à la forme réduite :
Il est toujours possible de passer de la forme structurelle d’un modèle à la forme réduite.
Prenons l’exemple suivant :
C t=α 0 + α 1 Y t +U 1 t ( E 1 )
I t=β 0 + β 1 Y t−1 +U 2 t ( E 2)
Y t =C t + I t (E 3)
1 - >> La fonction de consommation.
2 ->> La fonction de l’investissement.
3 ->> Equation d’identité.

P a g e 4 | 14
Master : Management des Systèmes d’information Modélisation Statistique

Ce système contient 3 variables endogènes : C t , I t , Y t et une variable exogène Y t −1. Nous remarquons,
par exemple, que la variable Y t apparaitcomme variable explicative en équation (1), ce qui est
contraire à son statut de variable endogène.
Pour lever ce problème, nous allons exprimer les 3 variables endogènes ( C t , I t , Y t ) en fonction de la
seule variable exogène (Y t −1) pour avoir la forme réduite.
Premièrement en ajoute l’équation (3) dans l’équation (1), et nous obtenons :
C t=α 0 + α 1 (Ct + I t )+U 1t
C t=α 0 + α 1 C t + α 1 I t +U 1t
En remplaçant I t , par l’équation (2) et en faisant passer α 1 C t del’équation, nous pouvons écrire :
C t=α 0 + α 1 C t + α 1 ( β 0 + β 1 Y t −1+U 2t )+U 1 t

⇒C =α + α C + α
t 0 1 t 1 β0 + α 1 β1 Y t−1 +α 1 U 2 t +U 1t

⇒C −α C =α +α
t 1 t 0 1 β 0 +α 1 β 1 Y t −1+ α 1 U 2 t +U 1 t

⇒ C (1−α )=α +α
t 1 0 1 β 0 +α 1 β 1 Y t −1+ α 1 U 2 t +U 1 t

α 0 +α 1 β 0 α 1 β1 α 1 U 2 t +U 1t
⇒C t= 1−α 1
+
1−α 1
Y t −1+
1−α 1
Il en résulte que :
Y t =C t + I t
α0 + α1 β 0 α 1 β 1 α 1 U 2 t +U 1 t
Y t= + Y t −1 + + β 0 + β 1 Y t −1+U 2t
( 1−α 1 ) ( 1−α 1 ) ( 1−α 1 )

⇒Y = t
( α 0 +α 1 β 0
( 1−α 1 )
+ β0 +
α 1 β1
( 1−α1 ) )(
Y t−1 + β 1 Y t −1 +
α 1 U 2t +U 1 t
( 1−α 1 ) )(
+ U2t
)
⇒Y t = ( α 0 +α 1 β 0 + ( 1−α 1 ) β 0
( 1−α 1) )(
+
α 1 β 1 + ( 1−α 1 ) β1
( 1−α 1 ) ) (
Y t −1+
α 1 U 2 t +U 1 t + ( 1−α 1) U 2 t
( 1−α 1 ) )
α 0 + α 1 β 0 + β 0−α 1 β 0 α 1 β 1+ β 1−α 1 β1 α 1 U 2t +U 1 t +U 2 t −α 1 U 2 t
⇒Y = t
( 1−α1 )
+
( 1−α 1 )
Y t−1 +
( 1−α 1 )

{
α 0 + α 1 β0 α 1 β 1 α U +U 1 t
Ct = + Y t−1 + 1 2 t (E 4)
1−α 1 1−α 1 1−α 1
I t =β 0+ β 1 Y t−1 +U 2 t (E 5)
α 0+ β 0 β1 U 1 t +U 2 t
Y t= + Y t−1 + ( E 6)
( 1−α 1 ) ( 1−α 1) ( 1−α 1)

P a g e 5 | 14
Master : Management des Systèmes d’information Modélisation Statistique

L’équation (6) indique que la variable Y t est fonction de U 1 t et par conséquent E (Y t ,

U 1 t ) ≠ 0. Il en résulte que dans (1) l’hypothèse d’indépendance entre la variable
explicative Y t et l’erreur U 1 t n’est pas respectée et l’application des MCO sur le
modèle (1) conduit à des estimateurs biaisés et non convergents.
En revanche, l’utilisation des MCO sur les équations réduites est licite puisque la
variable Y t −1 est indépendante de U 1 t et U 2 t .

3. Le problème de l’identification
a) A. Restrictions sur les coefficients
Il y a une restriction sur un coefficient de la forme structurelle, chaque fois qu’un
paramètre est contraint – par l’écriture du modèle –à être égal à une valeur déterminée.
Nous distinguons deux types de restrictions.
(1) Restrictions d’exclusion
Nous pouvons considérer que chaque fois qu’une variable endogène ou exogène
n’apparaît pas dans une équation structurelle, cela revient à l’affecter d’un coefficient
nul. Par exemple, dans notre modèle introductif, la variable It ne figure pas dans
l’équation (E1), son coefficient est donc nul : dans la matrice B, l’élément de la
première ligne et de la deuxième colonne est égal à 0.
(2) Restrictions linéaires
Certaines spécifications de modèle imposent que des variables soient affectées d’un
coefficient identique, il s’agit là encore de restrictions a priori sur les paramètres du
modèle.
b) Conditions d’identification
Les conditions d’identification se déterminent équation par équation. Nous pouvons
distinguer trois cas d’identifications :
– le modèle est sous-identifié si une équation du modèle est sous-identifiable (il y a
moins d’équations que de paramètres à identifier dans la forme structurelle, le système
est donc impossible à résoudre) ;
– le modèle est juste identifié si toutes les équations sont justes identifiables ;
– le modèle est sur-identifié si les équations du modèle sont soit justes identifiables,
soit sur-identifiables.
Si le modèle est sous-identifié, il n’existe aucune possibilité d’estimation des
paramètres du modèle, celui-ci doit être respécifié.
Les conditions d’identification peuvent faire l’objet d’un développement Complexe,
nous nous bornons ici à édicter des règles simples qui sont, dans la pratique,
appliquées en premier lieu.
Soit :
g = nombre de variables endogènes du modèle (ou encore nombre d’équations du
modèle) ;
k = nombre de variables exogènes du modèle ;
g= nombre de variables endogènes figurant dans une équation ;
k = nombre de variables exogènes figurant dans une équation.
Lorsque les restrictions ne sont que des restrictions d’exclusion, les conditions–
nécessaires – d’identifiabilité s’énoncent ainsi :
 g−1>g−g +k−k → l’équation est sous-identifiée ;
 g−1=g−g +k−k → l’équation est juste identifiée ;
P a g e 6 | 14
Master : Management des Systèmes d’information Modélisation Statistique

 g−1<g−g +k−k → l’équation est sur-identifiée.

Ce qui peut se résumer ainsi : pour qu’une équation ne soit pas sous-identifiée, le
nombre de variables exclues de l’équation doit être au moins égal au nombre
d’équations du modèle moins 1.
Lorsque nous avons r restrictions, autres que celles d’exclusion, concernant les
paramètres d’une équation (égalité de deux coefficients, par exemple), les conditions
précédentes deviennent :
 g−1>g−g +k−k + r → l’équation est sous-identifiée ;
 g−1=g−g +k−k + r → l’équation est juste identifiée ;
 g−1<g−g +k−k + r → l’équation est sur-identifiée.
Ces conditions – nécessaires – sont appelées conditions d’ordre d’identifiabilité.
Il convient de vérifier des conditions suffisantes, qualifiées de conditions de rang qui,
dans la pratique, se révèlent difficiles, voire parfois impossibles à mettre en œuvre. En
annexe, ces conditions sont exposées.
C. Les Méthode d’Estimation :
Les méthodes d’estimation que nous pouvons utiliser dans le cadre des équations
simultanées sont fonction du critère d’identifiabilité du modèle.
 Si le modèle est sous-identifiable ; pas d’estimation possible.
Dans le cas d’un modèle juste ou sur-identifiable, nous pouvons distinguer la méthode à
employer équation par équation, selon le critère d’identifiabilité :
 Si l’équation est juste identifiée : les moindres carrés indirects ou les doubles
moindres carrés.
 Si l’équation est sur-identifiée : les doubles moindres carrés.

1. Les moindres carrés indirects

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, la solution est unique).
L’estimateur des MCI de la forme réduite est BLUE. Cependant, 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, lorsque la taille de l’échantillon augmente.
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 identifiées.

P a g e 7 | 14
Master : Management des Systèmes d’information Modélisation Statistique

2. La méthode des Doubles Moindres Carrés

La procédure d’estimation des Doubles Moindres Carrés (DMC) est la plus utilisée en
pratique. Elle s’applique pour tous les modèles justes ou sur-identifiables.
Cette méthode des DMC est fondée, comme son nom l’indique, sur l’applicationen
deux étapes des MCO.
Soit le modèle à équations simultanées à g variables endogènes et k variables exogènes
:
b 11 y 1t +b12 y 2t + …+b 1 g y ¿ +C11 xy 1 t + C12 xy 2 t + …+C1 k xy kt =ε 1t

b 21 y 2 t +b22 y 2t +…+b 2 g y ¿ +C 21 xy 1t +C22 xy 2t +…+C 2 k xy kt =ε 2 t

…
b g 1 y ¿ +b g 2 y 2 t +…+ b¿ y ¿ +C g1 xy 1 t +C g 2 xy 2 t + …+C gk xy kt =ε ¿

La première étape consiste à effectuer une régression de chacune des variables

endogènes sur toutes les variables exogènes :
Y 1 t =α 11 x1 t + α 12 x 2 t + …+a1 k x kt +U 1 t

Y 2 t =α 21 x1 t + α 22 x 2 t + …+a2 k x kt +U 2t

….
Y ¿ =α g 1 x ¿ + α g 2 x ¿ + …+ a gk x kt +U ¿

Puis, dans une deuxième étape, il convient de remplacer les variables endogènes
figurant à droite des équations structurelles par leurs valeurs ajustées à l’aide des
modèles estimés :
Y 1 t =β11 ^y 1t +…+ β 1 g ^y ¿ +C 11 xy 1 t +C 12 xy 2 t +…+C 1 k xy kt +ε 1t

Y 2 t =β 21 ^y 1 t +…+ β 2 g ^y ¿ +C 21 xy 1 t +C 22 xy 2 t +…+C 2 k xy kt + ε 2 t

….
Y ¿ =β g 1 ^y ¿ +…+ β ¿ ^y ¿ +C g1 xy 1 t +C g 2 xy 2 t + …+C gk xy kt +ε ¿

Les propriétés de l’estimateur des DMC sont identiques, de manière asymptotique, à

celles d’un estimateur classique ; c’est-à-dire que pour les petits échantillons les
estimations des paramètres peuvent être biaisées.
Il est à noter que l’estimateur des DMC peut s’interpréter comme étant un estimateur
de la méthode des Variables Instrumentales1, les variables exogènes des autres
équations étant les instruments.

P a g e 8 | 14
Master : Management des Systèmes d’information Modélisation Statistique

3. La méthode des Triples Moindres Carrés

Les trois méthodes précédentes sont des méthodes d'estimation "équation par
équation". D'autres méthodes, mathématiquement plus complexes, estiment
globalement l'ensemble des équations d'un modèle, pour tenir compte, par exemple, de
la vraisemblable corrélation entre les aléas des différentes équations.
La méthode des triples moindres carrés commence par estimer chaque équation par les
DMC (ou les variables instrumentales), puis utilise les résidus de cette première étape
pour estimer la liaison entre les aléas des différentes équations et utilise enfin les
moindres carrés généralisés (MCG) pour estimer globalement l’ensemble du modèle
entenant compte de cette information.
Dans le cas d’équations apparemment indépendantes (l’endogène de l’une n’étant pas
explicative d’une autre), la méthode, qui veut néanmoins exploiter la liaison
vraisemblable des aléas des différentes équations, porte le nom de méthode SUR («
Seemingly Unrelated Regressions »).
• Principe de la méthode : suivre la méthode utilisée pour les régressions simultanées
(SUR)
• Néanmoins, la première étape diffère puis que dans les systèmes de régressions
simultanées, le problème de l’endogénéité des régresseurs ne se pose pas
1. On utilise alors d’abord les doubles moindres carrés équation par équation
2. On estime ensuite les éléments de la matrice de variance-covariance entre équations
pour en déduire l’estimateur pour le système en son entier
4. Autres méthodes d’estimation
Nous pouvons citer trois méthodes :
 La méthode du maximum de vraisemblance à information complète
(MVIC) consiste à maximiser la fonction Log-vraisemblance associée au modèle.
 La méthode des moments généralisée est utilisée en cas de présence
d’hétéroscédasticité.

II. Exemple de Klein Modèle I : Observations sur 22 ans, 1920-

1941
Un exemple largement utilisé d'un modèle d'équations simultanées de l'économie est celui de Klein
(1950)

Modèle I. Le modèle peut être écrit sous la forme suivante :

P a g e 9 | 14
Master : Management des Systèmes d’information Modélisation Statistique

C t=α 0 + α 1 Pt +α 2 Pt −1 + α 3 ( W tp +W tg ) + ε 1 t(Consommation)

I t=β 0 + β 1 P t + β 2 Pt −1+ β 3 K t−1(Investissement)

p
W t =γ 0 +γ 1 X t +γ 2 X t−1 +γ 3 A t (Salaires privés)

X t =C t + I t +Gt ( demande d équilibre )

'

p
Pt =X t −T t−W t ( bénéfices privés )

K t =K t −1+ I t ( Stock de Capital )

Les variables endogènes sont chacune sur le côté gauche d'une équation et sont étiquetées sur
la droite. Les variables exogènes sont :

Gt = dépenses publiques non salariales,

T t = impôts indirects sur les entreprises plus exportations nettes,

W tg = masse salariale gouvernementale,

At = tendance temporelle mesurée en années à partir de 1931 et terme constant.

Year = Date Wp=masse salariale privée

I= investissement K1= stock de capital des années précédentes

X=PIB Wg= facture salariale du gouvernement

G=les dépenses du gouvernement T= taxes

C=Consommation P=bénéfice de l'entreprise

Il existe également trois variables prédéterminées : les valeurs décalées du stock de capital,
les bénéfices privés et la demande totale. Le modèle contient trois équations
comportementales, une condition d'équilibre et deux identités comptables.

Ce modèle fournit un excellent exemple d'un petit modèle dynamique de l'économie. Il a

également été largement utilisé comme terrain d'essai pour les estimateurs à équations
simultanées. Klein a estimé les paramètres à l'aide des données de 1921 à 1941.

Tableau de base de données utilisée dans l’étude :

P a g e 10 | 14
Master : Management des Systèmes d’information Modélisation Statistique

P a g e 11 | 14
Master : Management des Systèmes d’information Modélisation Statistique

Pour estimer les parametres du modele on a utilise la methode du triple moindre carré ainsi
que la methode du variable instrumentale via le programme Stata :

Pour ce faire on utilise dans un premier temp l’estimation par la methode du triple moidre
carré à l’aide de la commende suivante :

Le tabeau ci-dessus presente les resultats de notre estimation , cependant la premiere colonne
présente les coefficient associes à chaque variable explicative de notre modele . ces
coefficients sont significative au seuil de 5% (p < 0.05).

On effet la consommation augment de 76 point lorsque le salaire augmente d’un point, et

l’investissement diminue de 11 point lorrsque le stock du capital augment d’un point ainsi que
le salaire augment de 43 point lorsque la demande finale augmente d’un point.

Alors dans un deuxieme temp on a utilise l’estimation du model via la methode du triple
moindre carré en intégrant la methode du variable instrumentale :

Les variable instrumentale de notre model est les suivantes :

Gt = dépenses publiques.
g
W t = masse salariale gouvernementale,
At = tendance temporelle mesurée en années à partir de 1931 et terme constant. K1= stock de
capital des années précédentes
X=PIB

P a g e 12 | 14
Master : Management des Systèmes d’information Modélisation Statistique

T= taxes
P=bénéfice de l'entreprise

Apres cet exemple, Il ressort essentiellement qu’on observe une augmentation de la masse
salariale d’un point engendre une augmentation de la consommation des menages de 79point..
ainsi qu’une augmentation du PIB par un point engendre une augmentation de la masse
salariale de 40 point,.tout D’abord, la croissance permet d’accroitre la demande en même temps
la masse salariale .Est ce souhaitable une augmentation de la réaction d’emploi a la croissance
économique permettrait certes de faire bénéficier plus rapidement les travailleurs des fruits dune
reprise économique ainsi q’une augmentation de leurs consommation .

P a g e 13 | 14
Master : Management des Systèmes d’information Modélisation Statistique

Sommaire
Introduction...........................................................................................................................................2
I. Définition :......................................................................................................................................2
A. Nature et type de modèles à Equations simultanées (MES) :.....................................................2
1. Forme générale :.....................................................................................................................3
B. Les modèles à équations simultanées........................................................................................3
1. L’identification des paramètres :............................................................................................3
2. La forme structurelle et la forme réduite :.............................................................................4
3. Le problème de l’identification...............................................................................................7
C. Les Méthode d’Estimation :........................................................................................................9
1. Les moindres carrés indirects..............................................................................................10
2. La méthode des Doubles Moindres Carrés..........................................................................10
3. La méthode des Triples Moindres Carrés............................................................................12
4. Autres méthodes d’estimation.............................................................................................12
II. Exemple de Klein Modèle I : Observations sur 22 ans, 1920-1941...............................................13

P a g e 14 | 14