Analyse statistique descriptive

L’analyse des données peut être réalisée à l’aide de méthodes statistiques descriptives et explicatives. Les méthodes descriptives permettent de résumer et de synthétiser les données de l’étude. Tandis que les méthodes explicatives visent à mesurer les liaisons entre les variables (Mayrhofer, 2004). Nous commencerons par présenter les graphes de quelques variables pour schématiser leurs évolutions pendant la période retenue.

à la performance économique de l’Algérie

146 L’exploitation des données sur Eviews a donné les graphes suivants :

Graphe 10 : Evolution du PIB 1987-2018 (Mds DA)

Source : ONS, divers rapports

Depuis les années 1990, le PIB a connu une tendance à la hausse de 554 Mds DA en 1990 à 20 259 Mds DA en 2018, passant par deux périodes de recul, en 2009 (un recul d’environ 10%) en raison de la crise financière des subprimes, qui a affecté l’économie mondiale et en 2015 (3%) à la suite de la baisse des cours du pétrole sur le marché mondial. Le taux du recul enregistré en 2009 est plus important à celui de 2015. En effet, la crise financière a engendré une chute du Dollar qui s’est traduit par une baisse considérable des revenus du pétrole. La croissance enregistre également un net recul depuis 2015, où elle était à 3,7% pour n’être que 1.4% en 2018, mais elle demeure positive sur l’ensemble de la période (ONS 2019).

Graphe 11 : Evolution de l’IDH 1987-2018 (%)

Source : PUND, divers rapports

Le graphe retrace une tendance à la hausse qui prend presque la forme d’une droite linéaire.

L’Algérie a effectivement enregistré des progrès économiques et sociaux remarquables sur le plan général au cours des dernières décennies. Cela est illustré par la progression continue de son IDH, passé de 0,569 en 1988 à 0,754 en 2017, plaçant ainsi le pays dans la catégorie des pays à développement humain élevé avec un classement à la 85e place sur 189 pays en 2017 (PUND 2018. P23). Pour chacun des indicateurs de l'IDH, entre 1990 et 2017, le revenu par habitant a augmenté d’environ 39%, l'espérance de vie à la naissance a augmenté de 9,6 ans, le nombre moyen d'années de scolarisation a augmenté de 4,4 ans et le nombre d'années de

à la performance économique de l’Algérie

147 scolarisation attendues a augmenté de 4,8 ans (PNUD 2018). En conséquent, l’Algérie est classée parmi les 10 pays aux progrès les plus rapides dans le développement humain.

Graphe 12 : Evolution du taux de chômage 1987-2018 (%)

Source : ONS divers rapports & site DGPP

La décennie 1990 a été marquée par des taux record du chômage, atteignant 29% de la population active en 1999. En effet, le taux de chômage a sensiblement augmenté durant les années 1990, suite à la fermeture des entreprises publiques déficitaires durant cette période après l’application du PAS, ainsi que les grandes tendances de la démographie. Nous remarquons qu’entre 1990 et 2006, la courbe prend la forme d’un cycle décroissant allant de 29% en 2000 à 12% en 2006, expliqué principalement par l’enchaînement des programmes de relance économique ainsi que la mise en place des divers dispositifs de création d’emplois qu’a connu cette période.

Bien que le taux de chômage ait connu une baisse sensible selon les statistiques de l’ONS, avec une certaine stationnarité entre 2006 et 2018, la question de la création d’emplois reste encore et, de façon décisive, au cœur de toute politique de développement en Algérie.

Graphe 13 : Evolution du taux d’inflation 1987-2018 (%)

Source : ONS, divers rapports

à la performance économique de l’Algérie

148 Le graphe montre que l’inflation était à deux chiffres durant la période 1990-1996 avec un pic de 32% en 1992, à la suite de la libération des prix réglementés et la suppression du système généralisé des subventions. L’inflation s’est redressée à partir de 1997 pour se stabiliser autour de 5% pendant la dernière décennie (2009-2018) et ce, grâce aux efforts déployés par le gouvernement pour le contrôler depuis de le début des années 2000, en améliorant le pouvoir d’achat des citoyens dans un climat économique et social favorable.

Les statistiques descriptives peuvent être obtenues à partir du logiciel Eviews, après l’introduction des différentes données de l’étude. Les résultats sont résumés sur le tableau suivant :

Tableau 19 : Présentation des statistiques descriptives

Variables La moyenne La médiane Le maximum Le minimum L'écart type

PIB 7503329. 4887547. 20259044 312706.1 6563341.

INDHH 428090.5 346463.4 1127982. 42862.90 315493.5 CHOM 18.52938 18.90000 29.24000 9.820000 7.026671

INF 8.939063 4.930000 31.67000 0.350000 9.075834

OVC 0.938750 0.845000 1.680000 0.45000 0.350638

PART 127553.9 47287.92 374525.0 10040.17 135264.7

IDH 0.664938 0.669000 0.755000 0.565000 0.67003

FBCF 2514014. 1188237. 8202531. 91743.40 2648005.

Source : Elaboré par nous-mêmes à partir des bases de données retenues

Les échantillons de l’étude sont de tailles égales (N=32) : En théorie l’échantillon de données doit être de taille suffisamment importante. Les échantillons comportant au moins 30 observations sont souvent appropriés pour décrire les phénomènes traités. Toutefois, pour mieux représenter la loi sous forme d’histogramme, certains professionnels recommandent de disposer d'au moins 50 observations.

Les échantillons volumineux fournissent également des estimations plus précises des paramètres, comme la moyenne et l'écart type. Néanmoins, dans la présente étude, nous considérons que N=32 respecte les convergences en Loi (théorème central limite) et l’extrapolation à la population d’origine en termes de qualité des estimations ne peut qu’être meilleure.

Il ressort aussi du tableau que toutes les variables présentent une forte volatilité avec des écarts type assez importants. Dans ces résultats, les médianes divergent, les données semblent asymétriques à droite, ce qui explique pourquoi la moyenne est supérieure à la médiane pour la plus part des variables. Une comparaison de comportement statistique intervariable est écartée de ce cas de figure en raison de l’échelle de mesure très différente.

à la performance économique de l’Algérie

149 2.2. Spécification en séries temporelles multivariée : Modèle VAR

La compréhension de certains phénomènes aléatoires nécessite une modélisation simultanée de plusieurs séries de données. L’analyse multivariée se trouve ainsi très utile dans de nombreuses applications. Le modèle d’autorégression vectorielle (VAR) est l'un des modèles les plus efficaces, flexibles et faciles à utiliser pour l'analyse de séries chronologiques multivariées.

Il s'agit d'une extension naturelle du modèle autorégressif univarié. Le modèle VAR s'avère particulièrement utile pour décrire le comportement dynamique des séries chronologiques économiques et financières ainsi que pour la prévision.

Lors de la spécification d'un VAR, il est d'abord nécessaire de déterminer les variables à inclure dans le modèle. Étant donné que toutes les variables d'intérêt potentiel ne peuvent pas être incluses, il convient d'utiliser la théorie économique ou toute idée à priori lors du choix des variables. Une fois le modèle spécifié, la longueur de retard appropriée au modèle VAR doit être précisée. À cette fin, il est courant d'utiliser une méthode statistique telle que les critères d'information d'Akaike. Alternativement, on peut choisir une longueur de retard assez importante à priori, puis vérifier que les résultats sont indépendants de cette hypothèse.

Cependant, une grande longueur de retard par rapport au nombre d'observations conduira généralement à des résultats de mauvaise qualité et inefficaces des paramètres. D'un autre côté, une longueur de retard trop courte induira une signification parasite des paramètres, car des informations inexpliquées sont laissées dans le terme de perturbation.

L'approche consiste donc à utiliser certains critères d'information statistique pour sélectionner la plus petite longueur de retard possible. Un ajustement peut ensuite être effectué pour permettre plus de retards, si les résidus ne sont pas des bruits blancs. Il est nécessaire de mettre l'accent sur le fait que les modèles sont bien spécifiés de manière dynamique. Autrement dit, la non-corrélation, l'hétéroscédasticité et la normalité doivent être vérifiées et l'ordre d'intégration, de co-intégration doit être traité de manière appropriée.

Afin d’estimer le modèle, nous procédons à une analyse à court terme, où sera spécifié un modèle Vecteur Autorégressif (VAR), ensuite nous allons effectuer une analyse de long terme par co-intégration.

Pour une spécification optimale du modèle, il faut tenir compte des propriétés des séries et déterminer si celles-ci sont stationnaires. Si ce n’est pas le cas, il est nécessaire de déterminer leur ordre d'intégration de façon ou un même ordre d'intégration peut être synonyme de co-intégration.

En effet, lorsque des séries non stationnaires sont incluses dans l'estimation, nous pouvons utiliser le modèle de correction d'erreur qui inclue les relations de co-intégration comme méthode d'estimation alternative appropriée. Dans ce sens,

à la performance économique de l’Algérie

150 Enders (2005) déclare que Sims et al. (1990) déconseillent la stationnarisation des variables, même si elles contiennent une racine unitaire. Selon Sims et al. (1990), le but de l'analyse VAR est de déterminer l'interrelation entre les variables et non de déterminer les estimat ions des paramètres. Le principal argument contre la stationnarisation est qu'elle exclut les informations liées aux co-mouvements dans les données. De plus, Sims et al. (1990) ont suggéré que l'estimateur MCO est cohérent, que le VAR contienne ou non des composantes intégrées, à condition que les innovations du VAR aient un nombre suffisant de moments et une moyenne nulle conditionnelle aux valeurs passées d'une série. Selon ces suggestions, nous estimons au début le modèle VAR incluant les séries non stationnaires.

Cependant, il faut noter que si les modèles VAR incluent des séries non stationnaires, les intervalles de confiance ne sont pas appropriés. L'existence de variables non stationnaires peut produire des fonctions de réponse impulsionnelle avec des erreurs standard assez importantes et peut créer la possibilité d'une régression parasite. Des exemples en sont donnés dans Enders (2005) et Hamilton (1994). Nous allons donc estimer un VAR avec toutes les variables stationnaires, évitant ainsi ces problèmes.