UNIVERSITÉ DU QUÉBEC À MONTRÉAL

TESTS DES LIENS DE CAUSALITÉ ÉPARGNE - CROISSANCE ÉCONOMIQUE

MÉMOIRE

PRÉSENTÉ

COMME EXIGENCE PARTIELLE

DE LA MAÎTRISE EN ÉCONOMIQUE

PAR

MOHAMED AMMI

DÉCEMBRE 2016
 REMERCIEMENTS

À la suite de l’achèvement de ce travail qui marque la fin de mon cursus universitaire,

il m’était difficile de ne pas formuler, en quelques mots, des remerciements envers
des personnes qui m’ont soutenu et aidé durant mon parcours à l’UQAM.

Tout d’abord, je tiens à exprimer mes remerciements à mon directeur de recherche, le

professeur Steve Ambler, pour sa grande patience et ses commentaires précieux tout
au long de l’élaboration de ce mémoire.

Je remercie également les professeurs Suzanne Marcotte, Ygal Bendavid et tout

particulièrement Luis Serrano durant son passage à l’UQAM, ainsi que d’autres, je
m’excuse de ne pas pouvoir tous les citer. Non seulement, je suis très reconnaissant
envers votre confiance en moi et le soutien financier que j’ai eu grâce à vous, mais
également, par rapport à cette formidable expérience dans l’enseignement.

Aussi, sans le soutien de ma très chère famille (mes parents, mon frère et mes sœurs),
je ne serais jamais arrivé au bout de mon chemin, merci pour votre encouragement.

Un grand merci pour mon «!coloc!» Maxime, son soutien était apprécié durant mes
études, ainsi que tous les autres amis qui n’ont pas épargné un moment pour m’aider
ou simplement me soutenir, je vous remercie du fond de mon cœur.

Je tiens à remercier aussi le personnel du département de la comptabilité de l’ESG

pour leur aide durant mes études sans oublier la merveilleuse Martine Boisselle du
département des sciences économiques.
 TABLE DES MATIÈRES

LISTE DES FIGURES ................................................................................................. v!

LISTE DES TABLEAUX............................................................................................ vi!
RÉSUMÉ .................................................................................................................... vii!
INTRODUCTION ........................................................................................................ 1!
CHAPITRE I!
REVUE DE LA LITTÉRATURE ................................................................................ 4!
1.1! Les liens théoriques entre l’épargne et la croissance........................................... 4!
1.2! Faits stylisés et études empiriques....................................................................... 6!
CHAPITRE II!
MÉTHODOLOGIE ET DONNÉES ........................................................................... 10!
2.1! Méthode d’analyse............................................................................................. 10!
2.1.1! Test de la racine unitaire .......................................................................... 10!
2.1.2! Test de coïntégration ................................................................................ 12!
2.1.3! Test de causalité ....................................................................................... 14!
2.1.4! La statistique Wald modifiée ................................................................... 19!
2.2! Les données et application au modèle de l’étude .............................................. 21!
2.2.1! Le modèle................................................................................................. 21!
2.2.2! Les données .............................................................................................. 22!
CHAPITRE III!
RÉSULTATS EMPIRIQUES ..................................................................................... 25!
3.1! Tests de la racine unitaire et ordres d’intégration ............................................. 25!
3.2! Analyse des changements structurels ................................................................ 29!
3.2.1! Test de Chow ........................................................................................... 31!
3.2.2! Correction du taux d’épargne................................................................... 33!
3.3! Nombre de retards dans le VAR ........................................................................ 35!
 iv

3.4! Test de coïntégration ......................................................................................... 36!

3.5! Tests de causalité ............................................................................................... 37!
CONCLUSION ........................................................................................................... 44!
ANNEXE A!
STATISTIQUES DESCRIPTIVES ............................................................................ 46!
ANNEXE B!
ÉVOLUTION DU TAUX D’ÉPARGNE PAR PAYS ENTRE 1967-2015............... 49!
ANNEXE C!
ÉVOLUTION DU TAUX DE CROISSANCE PAR PAYS ENTRE 1967-2015 ...... 52!
BIBLIOGRAPHIE ...................................................................................................... 55!
 LISTE DES FIGURES

Figure Page

1.1 Évolution du taux d’épargne brute au monde entre 1977 – 2015 ............... 7!
B.1 Évolution du taux d’épargne dans les pays à haut revenu......................... 50!
B.2 Évolution du taux d’épargne dans les pays à faible revenu ...................... 51!
C.1 Évolution du taux de croissance dans les pays à haut revenu ................... 53!
C.2 Évolution du taux de croissance dans les pays à faible revenu ................. 54!
 LISTE DES TABLEAUX

Tableau Page

2.1 Base des données .................................................................................... 23!

3.1 Test ADF (Base 1) .................................................................................. 26!
3.2 Test ADF (Base 2) .................................................................................. 27!
3.3 Valeurs critiques pour les statistiques ADF ............................................ 28!
3.4 Résultats du test de Chow sur la variable du taux d’épargne ................. 33!
3.5 Résultats du test ADF sur le taux d’épargne corrigé .............................. 34!
3.6 Structure des retards du VAR (p)............................................................ 35!
3.7 Test de coïntégration de Johansen (Espagne) ......................................... 36!
3.8 Résultats des tests de causalité (Base 1) ................................................. 38!
3.9 Résultats des tests de causalité (Base 2) ................................................. 39!
A.1 Statistiques descriptives pour le taux de croissance................................ 46!
A.2 Statistiques descriptives pour le taux d’épargne ..................................... 47!
A.3 Corrélation entre le taux d’épargne et le taux de croissance................... 48!
 RÉSUMÉ

Ce mémoire utilise la méthode de Toda et Yamamoto (1995) afin d’expérimenter le

lien de causalité entre l’épargne et la croissance économique, il nous permet ainsi de
tirer une conclusion sur la direction de ce lien. Cette relation a été examinée entre
deux séries chronologiques annuelles, l’épargne exprimée en taux d’épargne
intérieure brute et la croissance économique exprimée en taux de croissance du PIB,
pour un échantillon de pays assez diversifiés en revenu. Les résultats empiriques ont
démontré que ce lien de causalité peut être différent d’un pays à un autre. Cette
causalité peut être également unidirectionnelle ou bidirectionnelle indépendamment
du revenu du pays.

Mots-clés : test de causalité, Toda-Yamamoto, épargne, croissance économique.

 INTRODUCTION

Souvent, la relation entre l’épargne et la croissance économique reçoit beaucoup

d’attention de la part des chercheurs, des autorités monétaires et gouvernementales
des pays. Plus particulièrement, ils s’intéressent à l’idée stipulant qu’on peut favoriser
la croissance tout en encourageant l’épargne.

Le contexte de la dernière crise financière appuie les interrogations sur ce type de

relation. Les nouvelles stratégies de développement des systèmes financiers mettent
en amont les questions relatives à l’épargne et son impact sur la croissance de
l’économie. Ces interrogations restent aussi des préoccupations pour des organismes
tels que la Banque Mondiale. Cette dernière, à travers plusieurs enquêtes (World
Bank, 1993) sur le développement économique1, révèle un constat assez particulier.
En effet, les pays avec des taux d’épargne plus élevés ont vu leur PIB augmenter à un
rythme plus rapide par rapport aux pays avec des taux d’épargne plus faibles.

La corrélation positive démontrée par les études empiriques entre l’épargne et la

croissance à l’instar de la recherche de (Loayza et al., 1998), laisse penser que la
progression des taux d’épargne peut accompagner généralement une forte croissance
notamment dans les économies à revenus importants. Encouragé par la forte
croissance des pays développés depuis les années 1950, Lewis affirme en 1955 que
les économies croissantes permettraient d’accélérer la croissance économique en
mettant en jeux, entre autres, la variable d’épargne. Les recherches de Kaldor (1956)
montrent comment les différents comportements d’épargne pourraient stimuler la

1 Voir aussi le texte de (Ehrhart, 2006).

 2

croissance économique tandis que Modigliani (1970) a trouvé empiriquement que les
pays avec une forte croissance ont aussi un taux d’épargne plus élevé, voir (Easterly
et Levine, 2001) et aussi (Mohan, 2006).

Pas uniquement les études empiriques qui nous laissent observer cet effet positif de
l’épargne sur la croissance. D’un point de vue théorique, la prédiction du modèle de
Solow (1956) affirme que des taux d’épargne plus élevés peuvent être traduits en un
investissement important, conduisant ainsi à une augmentation (en niveau) du PIB par
tête ce qui stimulera la croissance sur le court terme. Toutefois, cette croissance à
long terme ne serait éventuelle que grâce à l’effet d’un facteur entièrement exogène
au modèle, il s’agit du progrès technique.

Pareillement, les théories traditionnelles du développement soutiennent aussi l’effet

positif de l’épargne sur la croissance tout simplement à cause de la relation transitive
entre l’épargne, l’investissement et la croissance économique. En effet, l’identité
comptable dans une économie fermée2 prévoit que l’investissement doit être
équivalent à l’épargne domestique. Ainsi, un pays peut se développer plus rapidement
en s’investissant davantage dans le capital humain et physique.

Néanmoins, la relation dynamique ou plus précisément le lien de causalité entre les

deux variables est sujet à controverse entre plusieurs auteurs et elle reste ambiguë
selon l’étude de (Attanasio et al., 2000), il n’y a toujours pas de consensus sur l’effet
prédictible de l’épargne sur la croissance et la situation diffère d’un pays à un autre.

Ce mémoire veut s’inscrire dans ce débat, en particulier, de chercher à comprendre

les liens de causalité à travers une étude empirique. Les résultats nous permettront,
peut-être, de savoir est-ce que la croissance qui cause le taux d’épargne ou l’inverse!?

2
Ou même, sur le long terme, pour une économie ouverte en dehors de la charge de la dette extérieure,
voir aussi la discussion dans les pages 29-30.
 3

Notamment dans les pays ayant des revenus plus élevés que d’autres et qui
connaissent une croissance plus rapide.

Pour réaliser ce travail, nous utiliserons les développements récents de l’économétrie

des séries temporelles. L’objectif reste de tester empiriquement la relation de
causalité qui pourrait exister entre deux variables clés, l’épargne et la croissance, à
travers un panel de quelques pays à différents revenus. La notion de causalité, dans le
domaine des séries chronologiques, est couramment interprétée au sens de Granger
(1969). Une définition simple de cette causalité comprend que la connaissance du
passé (les retards) d’une variable peut améliorer la prévision de la seconde.
Cependant, l’analyse faite dans ce travail donne plus d’importance à la procédure de
Toda et Yamamoto (1995) et son apport à la notion de causalité de Granger.

La résolution empirique de notre étude exige une certaine méthodologie. À ce stade,

la démarche choisie s’appuie sur le travail d’Oladipo (2010) avec une modélisation
du type VAR (modèles vectoriels autorégressifs). Pour la sélection des données, nous
utilisons des séries chronologiques annuelles du taux d’épargne et du taux de
croissance du PIB pour un échantillon de 17 pays étalés sur 49 années. Nous nous
attendions à observer un effet positif et prédictible de l’épargne sur la croissance
comme résultat principal.

Le plan déployé de ce travail est composé d’une revue de la littérature abordant la

relation entre l’épargne et la croissance économique, d’une deuxième partie pour
discuter de la méthodologie et le choix des données et une dernière partie dédiée aux
résultats empiriques.
 CHAPITRE I

REVUE DE LA LITTÉRATURE

La littérature sur l’épargne est très riche dans les sciences économiques, la croissance
bénéficie également d’un vaste champ de recherche. Cependant, le but de ce chapitre
n’est pas de chercher à définir les concepts et les modèles théoriques, mais plutôt de
faire un survol des articles écrits à propos de la relation entre les deux variables.

1.1 Les liens théoriques entre l’épargne et la croissance

La relation entre l’épargne, l’investissement et la croissance économique est très

étroite, mais il semble que l’interprétation de ce lien d’influence n’a pas arrêté
d’évoluer progressivement.

Dans l’école classique et selon les interprétations d’Adam Smith et de David Ricardo,
l’épargne est inévitablement affectée sous forme de consommation. L’agent
économique ne détient aucun résidu et il n’y a pas des préférences pour la liquidité.
L’épargne ne peut être dans ce cas que le reflet direct de l’investissement et de la
croissance. Cette relation a été vérifiée durant la révolution industrielle, une forte
portion d’autofinancement issue de l’épargne de l’agriculture et du commerce. Aussi
dans des pays comme la Chine durant le communisme et dans certains cycles de
temps des pays industrialisés où un rôle accru des marchés financiers a été observé
pour un retour vers la croissance (Hausmann et al., 2004).
 5

Par contre, Keynes (1936) dans son livre «!Théorie générale de l’emploi, de l’intérêt
et de la monnaie!» donne toute une nouvelle définition de l’épargne, c’est plutôt le
revenu disponible et la propension à consommer qui déterminent la consommation et
indirectement l’épargne, cette dernière est considérée comme un résidu lorsque la
demande est satisfaite. Keynes s’oppose donc aux classiques, l’épargne est largement
indépendante des projets d’investissement puisque le comportement des agents
économiques dépend d’autres variables : le revenu, l’efficacité marginale du capital et
le taux d’intérêt. Une forte épargne peut générer une faible consommation et ralentir
la croissance, car elle diminue la demande globale (Eggoh, 2009).

L’épargne occupe une place importante pour l’évolution des variables par tête dans
les modèles de croissance. Le modèle de Solow (1956), en s’appuyant sur les
hypothèses des néoclassiques notamment les rendements factoriels décroissants,
prédit que l’épargne, entièrement investie, précède et cause une augmentation dans le
niveau du PIB par tête. Cependant, l’analyse de Solow attribue l’origine de cette
croissance à des facteurs exogènes, tout particulièrement, au progrès technique.

En opposition à Solow, Romer (1986), célèbre pour son premier modèle de

croissance endogène de type AK, explique la croissance par des facteurs endogènes
tels que l’innovation et l’intervention de l’État, mais l’idée d’une forte épargne
comme moteur de la croissance économique est toujours présente dans son modèle.
Ainsi, l’épargne permet d’alimenter des investissements supplémentaires, donc des
revenus, à condition que la loi des débouchés soit vérifiée, c’est-à-dire toute
production supplémentaire se transforme effectivement en revenu.

Dans la continuité des modèles de croissance endogène où l’innovation joue un rôle

déterminant, une étude très récente de (Aghion et al., 2009) analyse l’effet implicite
de l’épargne sur la croissance économique. La prédiction principale du modèle
(schumpétérien) développé dans l’article est que l’épargne a un effet positif sur la
croissance si les pays sont loin de la frontière technologique, mais elle n’affecte en
 6

rien la croissance des pays proches de cette frontière. La calibration du modèle a

démontré que les pays en développement (loin de la frontière technologique) ont
tendance à augmenter leur épargne dans le futur afin de rattraper la frontière ce qui
impliquera, in fine, une augmentation dans le taux de croissance.

1.2 Faits stylisés et études empiriques

Plusieurs recherches et études affirment qu’il y a certains faits stylisés et tendances

pour l’épargne par rapport aux autres variables macroéconomiques à travers plusieurs
pays dans le monde à l’instar de l’étude descriptive menée par (Loayza et al., 1998).

L’étude revient sur quelques aspects liés à l’épargne mondiale. L’analyse des données
statistiques est faite sur un échantillon de 112 pays en développement et 22 pays
développés sur une période de 35 ans. Elle fait ressortir plusieurs conclusions sur
l’épargne. En ce qui concerne les taux de l’épargne intérieure brute, il est indiqué que
ces taux ont diminué en moyenne depuis les années 1970, mais ils restent
positivement corrélés avec les taux de croissance des pays étudiés (le coefficient de
corrélation varie entre 0,29 et 0,40). Cette corrélation est aussi positive avec
l’investissement. Par contre, l’épargne souffre d’une grande dispersion à cause des
tendances divergentes dans les régions en développement tandis qu’elle est plutôt
homogène et fortement corrélée avec la croissance dans les pays développés. Par
ailleurs, la part de l’épargne privée a aussi décliné avec le temps dans les pays en
développement, mais elle est restée constante dans les pays industrialisés. À titre
indicatif, nous présentons dans la figure 1.1 l’évolution de l’épargne intérieure brute
mondiale (en % du PIB) à partir des données de la Banque Mondiale.
 7

Figure 1.1 Évolution du taux d’épargne brute au monde entre 1977 – 20153

D’un autre côté, l’étude de (Attanasio et al., 2000) s’intéresse aussi aux corrélations
et liens de causalité entre trois variables : le taux de l’épargne, la part
d’investissement dans le PIB et le taux de croissance annuel sur un panel de 123 pays
couvrant la période 1961 à 1994. Le modèle théorique suggéré «!life cycle model!»
permet de cerner la relation de long terme et dynamique entre les trois variables. Les
auteurs font référence à trois principaux résultats :

-! La corrélation entre l’épargne retardée et l’investissement est positive.

-! L’investissement cause, au sens de Granger, la croissance avec un signe négatif.
-! La croissance cause, au sens de Granger, l’investissement avec un signe positif.

Cependant, les résultats empiriques de l’étude indiquent que non seulement le cycle
de l’épargne et de l’investissement sont plus persistants que celui de la croissance,

3
Source : Base des données de la Banque Mondiale : Indicateurs du développement dans le monde.
Récupéré de http://databank.banquemondiale.org/data/databases.aspx
 8

mais que l’investissement a un effet de causalité positif sur l’épargne. Cette dernière
demeure positivement corrélée à la croissance malgré les réserves émises par les
auteurs sur l’effet faible et ambigu de la causalité positive allant de la croissance vers
l’épargne.

Plusieurs études ont analysé des petits ensembles de données pour démontrer la
relation de l’épargne domestique avec le temps, avec l’agrégation régionale et avec
d’autres variables économiques, en occurrence (Masson et al., 1995) et (Schmidt-
Hebbel, 1997).

Parmi les premières études empiriques qui s’intéressent à la relation de causalité entre
l’épargne et la croissance, nous trouvons l’étude menée par Carroll et Weil (1994).
Leur conclusion s’oppose à la prédiction du modèle de croissance néoclassique dont
l’effet exogène de la hausse de l’épargne cause la hausse de la croissance. En effet,
après avoir examiné le lien de causalité, au sens de Granger, entre le taux de
croissance et le taux d’épargne en niveau, ils ont trouvé que la croissance cause
positivement l’épargne et pas l’inverse pour le deuxième panel des données
constituées principalement des 22 pays de l’OCDE.

L’étude de Sinha et Sinha (1998) sur le Mexique s’est appuyée aussi sur le même
concept de Granger pour tester la causalité allant de l’épargne privée et publique vers
le PIB. Après avoir vérifié la stationnarité et la coïntégration des séries, les résultats
ont montré qu’il y a un lien de causalité inverse allant de la croissance du PIB vers la
croissance de l’épargne privée et publique et pas inversement.

Mohan (2006) a employé aussi la méthode de Granger pour plusieurs économies au

monde de 1960 à 2001 pour 25 pays très variés en revenus (classés par faible revenu,
faible revenu moyen, haut revenu moyen et revenu élevé). Il a trouvé que le taux de
croissance de l’économie cause le taux de croissance de l’épargne pour la plupart des
pays (en nombre de 13), dont 8 pays à revenu élevé (Suède, Islande, Finlande,
 9

Royaume-Uni, la Corée, le Japon, le Canada et la Norvège) et 5 pays à revenu moyen

ou faible (Algérie, Thaïlande, la Colombie, Nigeria, Sénégal). Le résultat concernant
la causalité de l’épargne vers la croissance n’a été vérifié que pour 2 pays
(l’Indonésie et le Singapour). Par contre, l’auteur arrive au résultat de causalité
bidirectionnelle dans 5 pays (Chili, l’Argentine, le Brésil, l’Afrique du Sud et la Côte
d’Ivoire). Les pays restants sont soit exclus de l’analyse, soit ils n’éprouvent aucun
lien causal.

Pour éviter les inconvénients de la méthode classique de Granger (problèmes

d’inférences liés à la nature asymptotique du test), (Mavrotas et Kelly, 2001) ont
employé la méthode de Toda et Yamamoto (1995) afin de tester le lien de causalité
entre le taux de croissance du PIB, l’épargne intérieure brute et l’épargne privée pour
l’Inde et le Sri Lanka couvrant la période de 1960-1997. Ils n’ont trouvé aucun lien
de causalité entre la croissance du PIB et l’épargne privée pour l’Inde (mais un fort
lien de causalité de la croissance vers l’épargne intérieure brute) et un lien de
causalité bidirectionnel pour le Sri Lanka.

De sa part, (Oladipo, 2010) a utilisé la même méthode de Toda et Yamamoto (1995)

pour explorer le lien de causalité entre l’épargne et la croissance économique pour le
cas du Nigeria entre 1970 et 2006. En conformité avec la prédiction du modèle de
Solow qu’un fort taux d’épargne peut engendrer une forte croissance, l’auteur a
trouvé que l’épargne et la croissance sont positivement coïntégrées et éprouvent un
seul lien unidirectionnel de causalité allant de l’épargne vers la croissance.

En conclusion, le survol de la littérature empirique fait remarquer que plusieurs

études trouvent plutôt une influence de la croissance vers l’épargne à l’inverse de la
prédiction classique que l’épargne précède et cause la croissance.
 CHAPITRE II

MÉTHODOLOGIE ET DONNÉES

Dans le cadre de notre travail, la méthodologie adoptée pour tester ce lien est basée
sur l’analyse faite par Oladipo (2010). L’article repose sur la méthode de Toda et
Yamamoto (1995) pour tester la causalité. Dans la première section de ce chapitre,
nous expliquerons la démarche qui regroupe trois étapes :

"! Test des racines unitaires

"! Test de coïntégration
"! Test de causalité

Plus loin encore, nous discuterons de l’avantage d’utiliser cette procédure pour tester
la causalité au détriment du test classique de Granger, l’article de (Mavrotas et Kelly,
2001) revient largement sur cette question. Enfin, l’application de cette démarche sur
le modèle de l’étude avec description des données est présentée à la deuxième
section.

2.1 Méthode d’analyse

2.1.1 Test de la racine unitaire

Une série chronologique est stationnaire si elle est la réalisation d’un processus
stationnaire. Plus généralement, la série ne comporte aucun facteur évoluant avec le
temps. Pour vérifier la stationnarité des séries, en plus de l’observation des
corrélogrammes, il faut pratiquer des tests de stationnarité ou des tests de racine
 11

unitaire. Ces tests permettent d’identifier la présence de racine unitaire dans une série
temporelle et de vérifier si elle est stationnaire. Plus exactement, nous chercherons à
vérifier l’hypothèse nulle d’existence de racine unitaire et que le processus
autorégressif est non stationnaire contre l’hypothèse alternative. Parmi les tests qui
conviennent à cette fin, nous retenons le test Augmented Dickey-Fuller (ADF) (Smith
et Fuertes, 2010).

Si nous supposons que nos données seront générées par un processus autorégressif
vectoriel (VAR) d’ordre !, le nombre de retards, le cadre du test ADF prévoit trois
modèles pour la régression selon les éléments déterministes rajoutés :

1.! Cas sans terme déterministe et sans constante :

2

"∆,- = "&,-.) + 01 "∆,-.1 + 4- . (2.1)

13)

2.! Cas avec constante :

2

""""∆,- = "6 + &,-.) + 01 "∆,-.1 + 4- . (2.2)

13)

3.! Cas avec constante et tendance :

2

""""""""""""∆,- = "6 + 78 + &,-.) + 01 "∆,-.1 + 4- . (2.3)

13)

Les paramètres des relations sont estimés par MCO, les résultats obtenus permettent
de calculer la statistique du test afin de déterminer s’il faut rejeter l’hypothèse nulle
de la non-stationnarité.

Dans les trois cas, il revient de vérifier l’hypothèse"H$ ":"& = 0"contre

l’alternative"H) ":"& < 0. Les tests sur les variables peuvent être menés en niveau et en
différence.
 12

L’hypothèse nulle 9$ de non-stationnarité de la série temporelle est rejetée à un seuil

donné lorsque la valeur de la t-statistique conventionnelle sous l’hypothèse nulle est
plus négative que la valeur critique tabulée par MacKinnon (1996).

Cependant, l’originalité du test réside dans le choix du nombre de retards du modèle

VAR «!p!». Si le nombre de retards est faible, le test risque d’être biaisé et s’il est trop
important, le test sera alors moins puissant.

Plusieurs méthodes peuvent être utilisées pour optimiser le nombre de retards, nous
retenons le critère d’information d’Akaike (1974) : :;<= = −2 log(D E) + 2(G E) Où
l est le logarithme de la fonction de vraisemblance, k est le nombre de paramètres de
la fonction et T le nombre d’observations.

Akaike (1974) propose de minimiser la valeur du critère en considérant des retards

séquentiels après avoir estimé plusieurs relations du modèle. L’AIC peut être un
excellent compromis entre le biais (qui diminue avec le nombre de paramètres) et la
puissance du test (avec le plus petit nombre de paramètres possible).

Dans le cadre de ce travail, c’est l’ordre d’intégration I(.) de la série qui nous
intéresse tout particulièrement. En effet, une série ,- est :

"! intégrée d’ordre 0, I(0), si ,- est stationnaire.

"! intégrée d’ordre 1, I(1), si la première différence ∆,- est stationnaire.

Un test sur l’intégration cherche à trouver le nombre de différenciations nécessaires à

une variable pour qu’elle soit stationnaire. (Smith et Fuertes, 2010)

2.1.2 Test de coïntégration

La deuxième étape consiste à effectuer un test de coïntégration pour vérifier s’il

existe une relation (une combinaison linéaire) de long terme entre les variables non
 13

stationnaires, la coïntégration implique un comportement semblable dans le temps et

ne peut durablement diverger.

La présence d’une relation d’équilibre entre des variables est testée formellement à
l’aide de procédures statistiques. (Breitung et Pesaran, 2005) reviennent amplement
sur la coïntégration dans les séries panels. Ils expliquent que l’existence et la nature
de cette relation ont fait objet de plusieurs procédures et techniques dont les plus
connues sont celles d’Engle et Granger (1987) et Johansen (1988). Ce dernier propose
des estimateurs du maximum de vraisemblance pour tester la coïntégration des séries,
il effectue un test de rang de coïntégration.

Le test de Johansen (1988) s’opère dans un univers multivarié des séries temporelles,
la méthode propose une analyse des valeurs propres de la matrice du modèle pour
tester la coïntégration.

La forme générale d’un processus multivarié peut être écrite de la sorte :

Q- = " Π) Q-.) + ⋯ + ΠO Q-.O + 6 + RS- + 4- . (2.4)

pour t = 1, … , T et εI est un bruit blanc."DI et K sont des éléments déterministes ou

exogènes dans le modèle.

Elle peut être réécrite également comme :

∆Q- = Γ) "∆Q-.) + ⋯ + ΓO.) "∆Q-.OT) + 6 + RS- + 4- . (2.5)

Γ1 = Π) + ⋯ + Π1 − :

Π = Π) + ⋯ + ΠO − :

Le rang «!r!» de la matrice Π"(!"x"!) indique le niveau de coïntégration (le nombre de

vecteurs de coïntégration), à cet effet, il devient nécessaire de connaitre les valeurs
 14

propres de la matrice afin de les évaluer, elles doivent être significativement

différentes de 0.

Deux statistiques nous permettent de calculer deux types de valeurs propres, la trace
et la valeur propre maximale :

W-XYZ[ U = −E ln"(1 − W1 ). (2.6)

13XT)

""""""W^Y_ U, U + 1 = −E ln 1 − WXT) . (2.7)

Les hypothèses du test sont :

H$ :"«!Il existe au plus U"vecteurs de coïntégration ».

H) :"«!Il existe au moins U vecteurs de coïntégration!».

2.1.3 Test de causalité

C’est l’étape la plus importante dans la présente démarche puisque la relation de

causalité peut néanmoins nous indiquer des informations sur l’antériorité des
évènements entre les deux variables, l’épargne et la croissance économique. Selon
(Hurlin, 2007), deux principes essentiels doivent être vérifiés dans toute relation
causale. Il s’agit du principe d’antériorité, la cause précède l’effet et en second lieu, la
série causale contient de l’information sur l’effet, qui n’est contenue dans aucune
autre série, au sens de la distribution conditionnelle.

Le test classique, à cet effet, est celui de Granger (1969), le théorème repose sur la
valeur des prévisions des variables à partir de leur passé. Supposer que la variable V-
cause Q- veut dire que la prédictibilité de Q- est améliorée lorsque l’information
relative à V- est incorporée dans l’analyse. En d’autres termes, une série cause une
 15

autre, si la connaissance du passé de la première améliore la prévision de la seconde

selon Bourbonnais (2002). Une autre définition simple du principe de la causalité de
Granger signifie que X peut causer Y au sens de Granger, si Y peut être mieux prédit
en usant l’historique de X et Y en même temps que d’utiliser uniquement l’historique
de Y tout seul, Giles (2011a).

La définition de Sims (1972) de la causalité stipule qu’une série cause une autre série,
si les innovations de la première contribuent à la variance d’erreur de prévision de la
seconde. Le fondement de la définition de Granger est la relation dynamique entre les
variables, elle est énoncée en termes d’amélioration de la prédictibilité d’une variable.
Il paraît très utile de préciser que c’est le concept de causalité selon la définition de
Granger qui sera adopté et testé dans ce travail4.

Reprenant maintenant les notations de (Hurlin, 2007) qui découlent des définitions de
Granger (1969). Soit XI et YI ""deux variables aléatoires et AI un ensemble
dénombrable de variables aléatoires de variances finies (ensemble d’informations en
t) tel que :

Q- = " Qd , e ≤ 8 V- = " Vd , e ≤ 8 """"""g- = dh- gd

Nous avons les définitions suivantes :

1.! La variable X cause la variable Y, au sens de Granger, si et seulement si, pour

au moins une valeur de t :

σj V-T) "g- < σj V-T) "g- − Q- . (2.8)

4
Pour voir plus la différence entre la causalité de Granger et celle de Sims, nous suggérons de
consulter le texte de (Kuersteiner, 2008).
 16

2.! La variable X cause la variable Y, instantanément, si et seulement si, pour au

moins une valeur de t :

σj V-T) "g- , Q-T) < σj V-T) "g- . (2.9)

3.! Il y a une rétroaction (feedback) entre la variable X et la variable Y, si et

seulement si X cause Y et Y cause X au sens de Granger.

4.! La variable X ne cause pas la variable Y au sens de Granger, si et seulement si

pour tout t :

σj V-T) "g- = σj V-T) "g- − Q- . (2.10)

5.! La variable X ne cause pas la variable Y instantanément au sens de Granger,

si et seulement si pour tout t :

o j V-T) "g- , Q-T) = o j V-T) "g- . (2.11)

Dans un processus autorégressif bivarié :

2 q

Q- = " p$ + p1 "Q-.1 + 7k ",-.k + 4- . (2.12)

13) k3)

La variable Y ne cause pas X signifie que 7k = 0, l = 1, … , n

Donc, tester l’hypothèse nulle de non-causalité est identique à tester :

9$ :"7k = 0, l = 1, … , n. (2.13)

Cependant, cette méthode souffre de plusieurs inconvénients (Mavrotas et Kelly,

2001) expliquent que le test de Granger est basé sur des hypothèses nulles formulées
 17

sans aucune restriction sur les coefficients du retard d’un sous-ensemble de variables.
Le test de non-causalité de Granger offre une statistique de Fisher traditionnelle
permettant de vérifier sous l’hypothèse nulle qu’un ensemble de paramètres du
modèle VAR est nul. Ce test est fondé dans l’univers des variables stationnaires (la
théorie asymptotique est compatible qu’avec les variables stationnaires). En présence
de coïntégration, l’analyse de la causalité selon l’approche employée de Granger n’est
plus valable comme démontré par Phillips et Toda (1993) et (Damodar N. Gujarati,
1988).

De nombreux auteurs ont essayé d’améliorer la puissance du test de Granger par la

construction de procédures alternatives (Johansen et Juselius, 1990) et (Phillips et
Toda, 1993) ainsi que l’approche du test de causalité développée par Toda et
Yamamoto (1995). Selon le test de Toda et Yamamoto, l’objectif n’est pas d’étudier
la coïntégration, mais plutôt de vérifier les hypothèses théoriques. Leur procédure
consiste à étudier la causalité à partir d’un VAR d’ordre (p + dmax) (où ! est le
nombre de retards optimal et dmax est l’ordre d’intégration maximal) en appliquant les
tests de restriction uniquement sur les k premiers coefficients sans tenir compte de la
coïntégration.

Toda et Yamamoto (1995) expliquent dans leur article :

We proposed a simple way to test economic hypotheses expressed as

restrictions on the parameters of VAR models without pretests for a unit
root(s) and a cointegrating rank(s). Hypothesis tests such as (5) in levels
VAR’s, in general, involve not only nonstandard distributions but also
nuisance parameters if the processes are integrated or cointegrated, and
critical values for the tests cannot conveniently be tabulated. So the usual
way to proceed is formulating equivalent ECM’s in which most
hypothesis testing can be conducted using the standard asymptotic
theory. But this requires pretests of a unit root and cointegrating rank,
which one may wish to avoid if the cointegrating relation itself is not
one’s interest since those tests are known to have low power. Hence, our
simple method of adding extra lags intentionally in the estimation should
be very useful in practice. (Ibid., p. 246)
 18

La démarche du test de causalité de Toda et Yamamoto implique l’utilisation d’une

statistique de WALD modifiée de l’hypothèse de non-causalité du test classique de
Granger (1969). Sous cette hypothèse, les coefficients de la composante en question
sont nuls 9$ :"7k = 0, l = 1, … , n voir modèle (2.12).

La nouveauté est que la statistique WALD modifiée prend une distribution de Khi-
deux à degré de liberté (!) correspondant au nombre de restrictions dans le modèle
contraint, indépendamment de l’ordre d’intégration des séries et de leur coïntégration.

(Kayhan et al., 2010) nous expliquent comment le test de Toda et Yamamoto a

amélioré celui de Granger en s’assurant que la statistique du test suit une loi
asymptotique. Dans cette optique, ils précisent que, ce qui garantirait la loi
asymptotique5 de la statistique WALD, est l’estimation d’un VAR (p+dmax) optimal
tel que p soit le nombre optimal des retards et dmax soit l’ordre maximum d’intégration
et c’est exactement ce qui fait la différence avec le test de Granger.

À cette étape, estimer un modèle VAR d’ordre p+dmax revient à estimer le modèle
augmenté des termes autorégressifs d’ordres compris entre p+1 et p+dmax tel que :

2 2Ttuvw

YI = " α$ + p1 V-.1 + p1 V-.1 + εI ". (2.14)

13) 132T)

Or, rappelons que l’ordre optimal des retards ! peut être trouvé à l’aide du critère
AIC et dmax l’ordre d’intégration peut être identifié grâce un test de stationnarité
comme ADF.

5
Il s’agit d’une loi de « r j ».
 19

2.1.4 La statistique Wald modifiée !

La statistique Wald modifiée trouve origine dans le travail de (Dolado et Lütkepohl,

1996). Pour comprendre comment dériver cette statistique à partir d’un modèle VAR,
nous allons exposer le développement de (Hatemi-J et al., 2006).

Soit le modèle VAR(!) suivant

,- = " x$ + x) ,-.) + ⋯ + x2 ,-.2 + ⋯ + x2Tt ,-.2.t + y- . (2.15)

d est l’ordre d’intégration des variables du modèle.

Sous une forme matricielle, nous avons :

V ≔ ,) , … , ,{ """""""" |"x"E

S ≔ x$ , x) , … , x} , … , x2Tt """""""" |"~"(1 + |(! + )"

1
,-
,-.)
""""""""""""""""""""""""Ä- ≔ . """"""" 1 + | ! +  "~"1 " pour t = 1, …, T
.
.
,-.2.tT)

Ä ≔ Ä$ , … , Ä{.) """""" 1 + | ! +  "~"E (2.17)

Å ≔ y) , … , y{ """""" |"~"E (2.17)

Sous écriture matricielle, le VAR (p + dmax) devient

V = "SÄ + Å. (2.16)
 20

La statistique Wald modifiée proposée par Toda et Yamamoto (1995) peut être
définie comme :

MWALD = ä7 ′" ä("(Ä å Ä).) ⨂ΩÑ )"ä′ .)

ä7 ""~"""r2j . (2.17)

Tel que

⨂ : Opérateur du produit de Kronecker

Q : Une matrice indice qui sert à identifier les restrictions sous l’hypothèse nulle

ΩÑ ": Matrice des variances-covariances des résidus estimée à partir de (2.16)

7 = ÖyÜ(S), vec est l’opérateur du vecteur colonne obtenu en empilant les lignes des
estimateurs des paramètres.

Sous l’hypothèse nulle de non-causalité au test de Granger (1969) la statistique

MWALD converge vers une loi asymptotique. Néanmoins, la puissance du test Toda
et Yamamoto (1995) peut souffrir de la distorsion de la petite taille de l’échantillon
considéré. Pour vérifier la robustesse de leurs résultats (les valeurs de p obtenues du
test de Wald effectué), (Mavrotas et Kelly, 2001) ont eu recours à utiliser un test
d’amorce avec 1000 reproductions. L’idée derrière un test d’amorce est d’utiliser les
résidus estimés artificiellement afin de produire des observations supplémentaires qui
ont la même distribution que les observations originales, via un processus de type de
Monte-Carlo.

Pour bien résumer les étapes à suivre afin de mener le test de causalité selon la
méthode de Toda et Yamamoto, nous suggérons les étapes résumées par
Giles (2011a) :

"! Tester la stationnarité sur chacune des séries (test ADF) et déterminer l’ordre
d’intégration «!dmax!». Cet ordre peut être conclu de la manière suivante : si on
 21

suppose que le maximum des ordres d’intégration pour les séries est dmax et
nous avons deux séries temporelles affichant un ordre I(1) alors dmax = 1,
sinon, si elle est I(0) et l’autre I(1) alors dmax = 1,…etc.

"! Construire le modèle VAR avec le nombre optimal des retards «!p!»
(indépendamment des ordres d’intégrations trouvés dans l’étape précédente),
ce nombre peur être trouvé à l’aide du critère AIC.

"! Tester la coïntégration (le test de Johansen sur le VAR construit) si les deux
séries ont le même ordre d’intégration trouvé.

"! Test de causalité : construction de la statistique Wald modifiée. Elle prend

asymptotiquement une loi de Khi-deux en estimant le VAR d’ordre (p+dmax.).

2.2 Les données et application au modèle de l’étude

2.2.1 Le modèle

Dans notre analyse économétrique, nous nous intéressons tout particulièrement aux
données sous forme de panel, rappelons que la coupe transversale ne fait pas l’objet
de notre étude.

Pour étudier la relation à long terme entre les variables d’intérêt, Toda et Yamamoto
(1995) recourent à un modèle vectoriel autorégressif (VAR). En nous inspirant de
leur travail, nous définissons YI le vecteur de dimension 2, composé des mesures de la
croissance et de l’épargne à la date t. L’étude de la causalité est réalisée sur le VAR
d’ordre p suivant :

YI = " α$ + αé YI.é + εI ." (2.18)

é3)
 22

εI ~"N 0, ∑Ɛ .

et "t = 1,2, … , T

Le vecteur αé de dimension (2x1) est le vecteur des paramètres du modèle, ∑Ɛ est la

matrice des variances-covariances des erreurs du modèle.

Les mesures adoptées pour la croissance économique et l’épargne découlent du

travail de (Mavrotas et Kelly, 2001), les principales variables utilisées sont le taux de
croissance du PIB et le taux d’épargne.

ô:ö- − ô:ö-.)
Eïñ~"y"ÜUóòeeï|Üy"ñ"ô:ö- = " " (2.19)
ô:ö-.)

é!ïUú|y"ò|8éUòyñUy"ùUñ8y-
"""""Eïñ~" å é!ïUú|y- = " (2.20)
ô:ö-

2.2.2 Les données

Dans un travail tel que le nôtre, la construction d’une base de données pose plusieurs
problèmes. Le premier défi reste de trouver une base crédible qui couvre une longue
période de temps puisque l’objectif est de s’intéresser à une relation de causalité. Une
autre contrainte réside dans le fait que les ressources pour des bases types peuvent
être multiples sans que leurs données soient homogènes pour autant.

La base des données de la Banque Mondiale, indicateurs du développement dans le

monde, semble être un choix propice. Elle englobe plusieurs données annuelles entre
1967 à 2015 et selon la disponibilité dans les pays en questions.

Il faut rappeler aussi que la puissance des tests économétriques peut être
probablement faible à cause de l’horizon très court (49 observations) des données
annuelles qui permettent de générer le VAR de l’étude.
 23

Les données annuelles sur le PIB et l’Épargne Intérieure Brute sont en devises locales
constantes. À noter que si l’épargne intérieure brute n’est pas en devises constantes,
elle sera déflatée par le déflateur du PIB.

En nous appuyant sur la revue de la littérature (Attanasio et al., 2000), (Easterly et

Levine, 2001) et surtout l’étude de Mohan (2006), nous prévoyons de décomposer les
données en quelques échantillons de pays (selon le revenu) pour des fins de
comparaison, nous voulons examiner deux types d’échantillons : des pays à caractère
de haut revenu et d’autres avec un revenu intermédiaire ou pauvre. Cette variété de
pays est sélectionnée à partir de quelques pays de l’OCDE (8 pays) le reste est réparti
entre des pays en développement ou pauvre (9 pays). Ce choix est très semblable à
l’étude de Mohan (2006), mais quelques remplacements ont été nécessaires selon la
disponibilité des données.

La structure de la base des données utilisée dans cette étude est résumée au
tableau 2.1.

Bases Pays

Canada, France, États-Unis, Allemagne,

Base 1 : pays à revenu élevé
Royaume-Uni, Espagne, Italie, Japon,

Chine, Algérie, Afrique du Sud,

Base 2 : pays à revenu intermédiaire
Argentine, Inde, Turquie, Nigeria, Gabon,
ou faible
Sénégal

Tableau 2.1 Base des données

 24

Quelques remarques à propos du cas chinois s’avèrent utiles. Malgré que son PIB
reste très considérable (plus de 8!700 milliards de dollars6 en 2015), nous relevons
que le PIB par habitant est, au-dessous, de 7!000 dollars pour la même année. Encore
plus faible que celui de l’Argentine, estimé de plus de 10!000 dollars. Ce constat nous
permet de placer confortablement la Chine dans la deuxième base des pays à revenu
intermédiaire ou faible. L’autre remarque a trait à la fiabilité des données de la Chine
pour la période d’étude. À ce stade, il convient de préciser que toutes les données des
pays sont issues directement de la base de la Banque Mondiale. Cette dernière est
compétente pour uniformiser ses indicateurs de croissance pour chaque pays.

6
En dollars constants de 2010, selon les données de la Banque Mondiale.
 CHAPITRE III

RÉSULTATS EMPIRIQUES

Le présent chapitre a pour objet de relater les résultats empiriques des tests expliqués
dans le chapitre précédent ainsi que leurs interprétations. La réalisation des tests
nécessaires à notre travail était appuyée par le travail de (Oladipo, 2010) et en suivant
la méthode de Giles (2011a) pour application sur EViews.

3.1 Tests de la racine unitaire et ordres d’intégration

Avant de parler des résultats du test ADF, il convient de préciser, encore une fois, que
la puissance du test est relativement faible notamment à cause du nombre réduit des
observations, le risque est de ne pas rejeter l’hypothèse nulle de stationnarité
lorsqu’elle est fausse. La méthodologie exige de faire a priori des tests de
stationnarité sur les deux séries avant de parler de la coïntégration et de la causalité.

Nous allons maintenant tester les trois modèles ADF présentés par les équations (2.1),
(2.2) et (2.3) pour chaque série en niveau et en différence sur la période de 1967 à
2015. Le nombre de retards sera optimisé par le critère AIC. À titre de rappel,
l’hypothèse nulle du test est de la sorte H$ «!La série est engendrée par un processus
contenant une racine unitaire!».

Les résultats du test ADF sont présentés par les tableaux 3.1 et 3.2. Les valeurs
critiques correspondantes sont indiquées dans le tableau 3.3.
 26

ADF statistiques
Pays Variables I(.)
En niveau En différence première
û"(ò) û"(òò) û"(òòò) û"(ò) û"(òò) û"(òòò)
Taux de croi. - 2,47 - 4,73 - 5,29 -5,48 - 5,44 - 5,37 I(0)
Canada
Taux d’épar. - 0,52 - 2,79 - 2,87 - 6,14 - 6,08 - 6,02 I(1)
Taux de croi. - 2,74 - 4,31 - 5,17 - 5,96 - 5,93 - 5,74 I(0)
France
Taux d’épar. - 1,63 - 2,38 - 2,44 - 5,10 - 5,19 - 5,26 I(1)
Taux de croi. -1,00 - 5,02 - 5,30 - 6,32 - 3,84 - 3,86 I(0)
États-Unis
Taux d’épar. - 1,49 - 0,44 - 2,90 - 4,30 - 3,60 - 4,54 I(1)
Taux de croi. -1,57 - 5,48 - 5,99 - 6,59 - 6,51 - 6,42 I(0)
Allemagne
Taux d’épar. - 0,45 - 2,74 - 2,32 - 5,40 - 5,34 - 5,85 I(1)
Royaume- Taux de croi. - 2,83 - 4,92 - 4,95 - 6,24 - 6,16 - 6,09 I(0)
Uni Taux d’épar. - 1,67 - 0,28 - 4,36 - 5,87 - 5,90 - 5,83 I(1)
Taux de croi. - 1,92 - 2,81 - 2,92 - 6,74 -6,66 - 6,59 I(1)
Espagne
Taux d’épar. - 0,46 - 2,89 - 2,98 - 3,84 - 3,86 - 4,05 I(1)
Taux de croi. - 2,37 - 4,50 - 6,25 - 9,21 - 9,23 - 9,16 I(0)
Italie
Taux d’épar. - 0,88 - 1,79 - 3,61 - 6,80 - 5,61 - 5,54 I(1)
Taux de croi. - 1,96 - 4,46 - 6,45 - 8,81 - 8,12 - 7,99 I(0)
Japon
Taux d’épar. - 2,76 - 1,50 - 2,04 - 5,04 - 5,43 - 5,39 I(1)
Note û" ò , û" òò , û"(òòò) indique, respectivement, le modèle sans constante et sans tendance,
avec une constante, avec constante et tendance.

Tableau 3.1 Test ADF (Base 1)

 27

ADF statistiques
Pays Variables I(.)
En niveau En différence première
û"(ò) û"(òò) û"(òòò) û"(ò) û"(òò) û"(òòò)
Taux de croi. - 1,69 - 7,18 - 7,12 - 4,28 - 4,22 - 4,28 I(0)
Chine
Taux d’épar. 1,64 - 1,57 - 3,28 - 5,79 - 6,12 - 3,82 I(1)
Taux de croi. - 5,12 - 8,03 - 8,78 - 9,31 - 9,23 - 9,17 I(0)
Algérie
Taux d’épar. 0,12 - 1,76 - 1,97 - 6,37 - 6,34 - 6,27 I(1)
Afrique du Taux de croi. - 3,07 - 4,89 - 4,84 - 5,57 - 5,52 - 5,44 I(0)
Sud Taux d’épar. - 0,85 - 1,33 - 2,47 - 6,69 - 6,67 - 6,60 I(1)
Taux de croi. - 4,60 - 5,42 - 5,38 - 7,78 - 7,70 - 7,61 I(0)
Argentine
Taux d’épar. - 0,59 - 2,05 - 2,26 - 5,50 - 5,45 - 5,38 I(1)
Taux de croi. 1,32 - 6,26 - 6,04 - 5,42 - 5,54 - 5,45 I(0)
Inde
Taux d’épar. 1,68 - 0,98 - 3,50 - 9,20 - 9,71 - 9,61 I(1)
Taux de croi. - 2,41 - 4,79 - 4,78 - 7,95 - 7,86 - 7,77 I(0)
Turquie
Taux d’épar. - 0,08 - 1,73 - 1,48 - 6,34 - 6,28 - 6,32 I(1)
Taux de croi. - 4,43 - 4,81 - 4,91 - 2,89 - 2,74 - 2,22 I(0)
Gabon
Taux d’épar. - 0,36 - 2,82 -2,78 - 5,75 - 5,68 - 5,61 I(1)
Taux de croi. - 2,44 - 4,71 - 5,32 - 4,95 - 4,90 - 4,87 I(0)
Nigeria
Taux d’épar. - 0,97 - 4,46 - 4,43 - 5,03 - 4,93 - 4,82 I(0)
Taux de croi. 0,06 - 9,77 - 10,34 - 8,91 - 8,84 - 8,73 I(0)
Sénégal
Taux d’épar. - 0,59 - 2,96 - 2,91 - 9,91 - 9,80 - 9,69 I(1)
Note û" ò , û" òò , û"(òòò) indique, respectivement, le modèle sans constante et sans tendance,
avec une constante, avec constante et tendance.

Tableau 3.2 Test ADF (Base 2)

 28

Modèles
Seuil de significativité
û"(ò) û"(òò) û"(òòò)
1% - 2,61 - 3,57 - 4,16
5% - 1,94 - 2,92 - 3,50
10 % - 1,61 - 2,59 - 3,18

Tableau 3.3 Valeurs critiques7 pour les statistiques ADF

En considération de la valeur de la statistique t, nous devrons rejeter H$ à la condition

que la valeur de t soit plus négative que la valeur critique du test ADF (arbitrairement
à 5 %). En conséquence, si H$ est rejetée, nous pourrions conclure que la série est
stationnaire.

Dans les deux tableaux 3.1 et 3.2, les t-statistiques concernant la plupart des taux
d’épargne sont supérieures aux valeurs critiques des trois modèles en niveau, mais
cette série est stationnaire lorsqu’elle est testée en différence première. Par contre, le
taux de croissance testé en niveau ne possède aucune racine unitaire, la statistique t
est inférieure aux valeurs critiques, ce qui permet de rejeter H$ et conclure que la
série est stationnaire.

Donc, les résultats du test ADF révèlent clairement un résultat commun entre les deux
bases peu importe le revenu du pays (exception faite pour l’Espagne et le Nigeria), à
savoir, l’existence d’une racine unitaire dans les variables d’épargne et la
stationnarité du taux de croissance. Pour l’Espagne, les taux de croissance et
d’épargne sont tous non stationnaires. Par contre, le Nigeria a deux séries
stationnaires.

7
Ces valeurs sont issues directement d’EViews, ce dernier n’utilise que les valeurs critiques
asymptotiques.
 29

À ce stade, nous pouvons conclure que l’ordre maximum d’intégration pour le taux
d’épargne est I(1), car les statistiques ADF, pour les variables en niveau
(respectivement en différence), sont supérieures (respectivement inférieures) à leurs
valeurs critiques arbitrairement à 5 %. Par contre, le taux de croissance s’est révélé
être d’ordre I(0) puisque les statistiques ADF, pour les variables en niveau, sont
inférieures aux valeurs critiques.

3.2 Analyse des changements structurels

Le fait que le taux d’épargne intérieure brute soit I(1) et le taux de croissance I(0),
pour la plupart des pays (sauf l’Espagne et le Nigeria), complique notre travail
économétrique.

Rappelons que

ô:ö = x + : + ü + Q − † ." (3.1)

Dans une économie fermée, l’identité comptable est «!I = S!», en remplaçant
l’investissement par l’épargne en (3.1) nous obtenons :

ô:ö = x + ° + ü + Q − † ." (3.2)

Avant de continuer l’analyse sur le taux d’épargne, nous voulons discuter un peu de
l’identité comptable «!I = S!» dans une économie ouverte. C’est vrai qu’à court terme
l’investissement ne peut être identique à l’épargne domestique puisque les pays ont
recours, souvent, au financement extérieur et leur accumulation du capital ne doit pas
être limitée par l’épargne nationale. Cette relation ambiguë entre l’épargne et
l’investissement ne cesse d’être contestée à travers le «!puzzle8!» de Feldstein-
Horioka (1980) concernant la mobilité internationale des capitaux. Les auteurs

8
Tel que qualifié par Obstfeld et Rogoff (2000).
 30

suggèrent que si une parfaite mobilité des capitaux est observée, la corrélation entre
l’épargne nationale et l’investissement intérieur devient relativement faible.
Cependant, cette hypothèse a été peu vérifiée pour les pays de l’OCDE bien que les
flux de capitaux dans ces pays soient libres, l’épargne demeure très fortement
corrélée au taux d’investissement.

Pour simplifier notre analyse, nous allons adopter l’hypothèse selon laquelle,
abstraction faite du paiement d’intérêts sur la dette extérieure, les deux séries :
l’épargne et l’investissement seront coïntégrés sur une relation de long terme, même
pour une économie ouverte.

Revenant maintenant à l’équation (3.2) et divisant les deux côtés par le PIB

x ° ü (Q − †)
1= + + + (3.3)
ô:ö ô:ö ô:ö ô:ö

Le taux d’épargne devrait, théoriquement, fluctuer entre 0 et 1, nous attendons à un

I(0) comme le taux de croissance. Ainsi, avant de confirmer les résultats du test de la
racine unitaire pour le taux d’épargne, un autre point important devrait être contesté.
Il s’agit de prendre en considération l’existence de bris structurels dans la série du
taux d’épargne durant la période d’étude. Le fait est que la situation démographique,
économique et les crises peuvent affecter les politiques économiques d’un pays créant
ainsi ces bris structurels dans les données, les résultats économétriques peuvent être
incertains (Kayhan et al., 2010). Discuter les causes de ces changements d’un pays à
un autre relève certainement d’une approche historique pour un travail de recherche.
Or, dans une démarche anhistorique telle que la nôtre, nous allons plutôt expliquer la
méthodologie qui sera suivie pour détecter et confirmer uniquement l’existence de ces
bris dans la série de l’épargne.
 31

Le premier qui a fait remarquer l’influence des bris structurels sur les résultats
économétriques était Perron (1989). Il a montré qu’une présence d’un bris éventuel
dans les données conduirait à un biais empêchant de rejeter l’hypothèse nulle de non-
stationnarité (Glynn et al., 2007).

Conformément à cette approche, nous pensons qu’un changement de la moyenne de

la série du taux d’épargne dans notre panel empêche qu’elle soit I(0). Rappelons
qu’une série chronologique non-stationnaire devrait avoir une moyenne changeante
avec le temps à cause de la présence de deux types de tendances, la tendance
stationnaire (TS) pour les modèles avec tendance déterministe et la différence
stationnaire (DS) pour les modèles avec une tendance stochastique (Shreyes, s.d.)9.

Notre objectif est de prouver qu’il existe un bris structurel dans la série pour corriger
le taux d’épargne (en tant qu’une série I(0) en déviation de sa moyenne avant la
rupture structurelle et après) et procéder ainsi au test de causalité.

Afin de poursuivre notre analyse des bris structurels, nous suggérons un test de Chow
pour vérifier l’existence de changements structurels dans la série du taux d’épargne
peut être utilisé. L’analyse des graphiques, voir Annexe B, nous donne une idée sur
les années (Break-point) clés qui peuvent constituer des changements drastiques dans
la politique économique des pays affectant ainsi le taux d’épargne.

3.2.1 Test de Chow

Le test de Gregory Chow (1960) est souvent utilisé pour détecter un changement
structurel soupçonné entre les variables durant des périodes différentes. La
méthodologie du test consiste à décomposer en deux sous-échantillons avec |) et |j
comme observations avec les hypothèses traditionnelles de la régression à savoir
l’homoscédasticité et l’indépendance des termes d’erreurs, voir Giles (2011b).
9
Récupéré de http://programming-r-pro-bro.blogspot.ca/2011/11/unit-root-versus-breaking-trend-
perrons.html.
 32

Par la suite, en faisant la régression séparément pour chaque sous-échantillon, le test

est identique à un test Fisher. En effet, sous l’hypothèse nulle que les paramètres
estimés sont identiques dans les deux groupes (autrement, il n’y a pas de changement
structurel), la statistique du test est distribuée comme F avec G et |) + |j − 2"G
comme degrés de liberté. k est le nombre des paramètres à estimer.

L’hypothèse nulle est rejetée si le la statistique F calculée est supérieure à la valeur

critique ou la p-value est inférieure au seuil arbitraire de 5 %. Dans ce cas, la stabilité
structurelle n’a pas eu lieu.

Pour notre étude, le choix des dates de rupture est fait à partir des graphiques
présentés en Annexe B. Les résultats du test de Chow en considérant un seul
changement dans la série du taux d’épargne avec un seul paramètre de la régression
(la constante) sont résumés au tableau 3.4.

Ces résultats confirment l’existence de changement structurel dans les séries du taux
d’épargne pour tous les pays. Donc, l’hypothèse nulle d’inexistence de bris structurel
est rejetée, car la probabilité (Prob.F) est inférieure à 5 %. Nous avons exclu de cette
analyse l’Espagne puisqu’elle a deux séries du même ordre I(1) et le Nigeria, car les
deux séries sont I(0).
 33

Pays Break-point F-statistiques Prob.F

Canada 1986 6,680 0,012
France 1990 15,784 0,0003
États-Unis 1982 45,491 0,000
Allemagne 1977 9,029 0,004
Royaume-Uni 1999 107,752 0,000
Italie 1999 50,379 0,000
Japon 1991 13,816 0,000
Chine 1993 89,442 0,000
Algérie 1991 13,841 0,0005
Afrique du Sud 1990 165,602 0,000
Argentine 1986 24,942 0,000
Inde 2004 119,913 0,000
Turquie 1978 15,107 0,0003
Gabon 1985 7,487 0,008
Sénégal 1978 14,954 0,0003

Tableau 3.4 Résultats du test de Chow sur la variable du taux d’épargne

3.2.2 Correction du taux d’épargne

Il existe plusieurs méthodes pour rendre une série stationnaire (effectuer un filtre H-P,
enlever la tendance ou prendre la première différence). Pour notre cas, nous allons
redéfinir le taux d’épargne comme une nouvelle série qui fluctue autour de sa
moyenne. Tantôt sur une certaine moyenne avant la rupture structurelle et tantôt
autour d’une nouvelle moyenne après le changement structurel puisque nous partons
de l’hypothèse que la moyenne change à l’intérieur du panel.

Les résultats du test ADF sur la nouvelle série sont résumés par le tableau 3.5.
 34

Break- Moyenne Moyenne ADF statistiques

Pays
point avant après τ"(i) τ"(ii) τ"(iii)
Canada 1986 0,2450 0,2317 - 3,19 - 3,15 - 3,08
France 1990 0,2435 0,2188 - 3,08 - 3,16 - 3,96
États-Unis 1982 0,2276 0,1880 - 2,99 - 2,96 - 3,46
Allemagne 1977 0,2584 0,2383 - 2,56 - 2,54 - 4,40
Royaume-Uni 1999 0,2115 0,1548 - 2,61 - 3,57 - 3,36
Italie 1999 0,2350 0,2045 - 2,90 - 2,87 - 3,87
Japon 1991 0,3327 0,2470 - 2,01 - 2,99 - 3,92
Chine 1993 0,3408 0,4516 - 2,73 - 2,71 - 3,62
Algérie 1991 0,3244 0,4183 - 2,14 - 2,11 - 3,18
Afrique du Sud 1990 0,2834 0,1947 - 3,52 - 3,50 - 3,98
Argentine 1986 0,2511 0,2011 - 3,45 - 3,41 - 3,37
Inde 2004 0,2041 0,3191 - 2,17 - 2,95 - 3,54
Turquie 1978 0,1265 0,1730 - 2,67 - 2,63 - 3,38
Gabon 1985 0.5447 0.4661 - 3,06 - 3,03 - 3,40
Sénégal 1978 0,0936 0,0614 - 2,57 - 2,94 - 3,55

Tableau 3.5 Résultats du test ADF sur le taux d’épargne corrigé

Sur la lumière du tableau 3.5, les nouvelles valeurs des statistiques du test ADF
comparées aux valeurs critiques du tableau 3.3, surtout celles du troisième
modèle"û(òòò) (constante avec tendance), nous font remarquer que la série du taux
d’épargne est devenue stationnaire (France, Allemagne, Italie, Japon, la Chine,
Afrique du Sud, Inde) ou presque (Canada, États-Unis, Royaume-Uni, Algérie,
Argentine, Turquie, Gabon, Sénégal). Du fait que la statistique t, arbitrairement à
5 %, est inférieure ou très proche de la valeur citrique (-3,50) pour rejeter l’hypothèse
nulle de non-stationnarité.
 35

Notre méthode de sélectionner une date et d’appuyer ce choix par un test de Chow
ressemble un peu au travail fait par (Zivot et Andrews, 1992). Ces derniers ont
décomposé leur échantillon pour chaque date probable de rupture et en utilisant des
variables d’interaction dichotomiques. La date la plus favorisée pour un bris est
sélectionnée en fonction de la statistique ADF la plus négative pour rejeter
l’hypothèse nulle de la racine unitaire (Glynn et al., 2007).

3.3 Nombre de retards dans le VAR

Nous disposons maintenant de deux séries stationnaires, nous pouvons tester la

causalité entre les deux séries à travers un vecteur autorégressif, voir le modèle
(2.20). Mais avant cela, nous nous intéressons à déterminer le nombre de retards
optimal (p) intervenant dans le VAR. Le critère d’information d’Akaike (AIC) est
utilisé à cette fin. Il ressort de cela qu’il est minimisé10 pour un retard égal à 1 pour la
majorité des pays. Le tableau 3.6 présente le retard optimal correspondant.

Pays Retard optimal «!p!» Pays Retard optimal «!p!»

Canada 1 Chine 1
France 1 Algérie 1
États-Unis 2 Afrique du Sud 1
Allemagne 1 Argentine 1
Royaume-Uni 1 Inde 2
Espagne 2 Turquie 1
Italie 1 Gabon 1
Japon 1 Nigeria 1
Sénégal 1

Tableau 3.6 Structure des retards du VAR (p)

10
Le choix de retard a été fait sur une plage allant de 1 à 7 retards.
 36

3.4 Test de coïntégration

Tel que mentionné dans le précédent chapitre, l’analyse de la coïntégration n’est pas
déterminante dans la méthodologie de (Toda et Yamamoto, 1995). Le fait de procéder
par un test de coïntégration est juste de s’assurer qu’il existe une relation stable à long
terme, mais sans incidence directe sur la causalité. En effet, deux séries non
coïntégrées peuvent manifester un lien de causalité11.

Les deux premières séries (le taux de croissance et le taux d’épargne non modifié)
avaient des ordres d’intégration différents I(0) et I(1), voir tableau 3.1 et 3.2. En
conséquence, elles ne peuvent pas présenter un lien d’équilibre à long terme et nous
ne pouvons pas procéder par un test de Johansen pour détecter la coïntégration12.
Identiquement pour les deux séries que nous avons maintenant (le taux de croissance
et le taux d’épargne corrigé) puisqu’elles sont stationnaires. Par contre, nous avons un
cas exceptionnel de l’Espagne, car il affiche deux séries du même ordre I(1).Un test
de coïntégration peut être fait.

Valeur Valeur
Pays H0 H1 §- trace §- Max!
critique à 5 % critique à 5 %
U=0 U=1 12,35 12,32 12,26! 11,22
Espagne
U≤1 U=2 0,08 4,13 0,08! 4,13
r : nombre des vecteurs de coïntégration

Tableau 3.7 Test de coïntégration de Johansen (Espagne)

Selon les deux tests, la trace et la valeur propre maximale, les résultats indiquent
l’existence d’un vecteur de coïntégration à un seuil de 5 % entre l’épargne et la
croissance économique pour l’Espagne. Donc, une relation de longue durée est
11
Voir le texte de (Giles, 2011a).
12
Toutefois, un test de coïntégration peut être effectué dans un modèle ARDL (Autoregressive
Distributed Lag).
 37

envisageable entre les deux variables. Or, ceci suggère de penser qu’il y a une
causalité dans au moins dans un sens.

3.5 Tests de causalité

La procédure de Toda et Yamamoto est faite en deux étapes. D’abord, il s’agit de

déterminer l’ordre d’intégration maximal (dmax) des séries et le nombre de retards
optimal (p) du processus VAR. Ensuite, il faut estimer un modèle de VAR en niveau
augmenté d’ordre (p+dmax). Pour rappel, l’hypothèse nulle (2.13) de non-causalité de
l’épargne vers la croissance qui correspond au modèle (2.18) est caractérisée par la
nullité de la deuxième composante des coefficients"p1 (ò = 1,2, … !) = 0.

Si les deux séries sont stationnaires, I(0), aucun retard additionnel n’est introduit dans
le VAR (dmax = 0) et la procédure de test suit l’approche standard de Granger. En
revanche, si les séries sont intégrées d’ordre un, alors un seul retard supplémentaire
est introduit dans le modèle. (Toda et Yamamoto, 1995). Donc, la même méthode
peut être adoptée dans notre cas en prenant juste dmax = 0.

Le retard optimal du modèle VAR est ! = 1 ou ! = 2 selon le pays, voir tableau 3.6,
pour l’Espagne (dmax = 1). Nous cherchons à vérifier l’hypothèse nulle de non-
causalité du taux d’épargne modifié vers le taux de croissance et dans le sens inverse
aussi. La statistique de Wald modifiée (2.18) est utilisée pour tester la causalité entre
le taux de croissance et le taux d’épargne pour l’ensemble des pays pour la
période 1967-2015. Les tableaux 3.8 et 3.9 résument la statistique de Wald modifiée
et la p-value pour chaque test de causalité.
 38

Pays H0 •¶ P-value Conclusion

épargne"↛"croissance 6,92 0,008

Canada Causalité bidirectionnelle
croissance"↛ épargne 3,89 0,04

épargne"↛"croissance 0,02 0,14

France Aucun lien de causalité
croissance"↛ épargne 2,15 0,86

épargne"↛"croissance 2,46 0,11 Causalité de la croissance

États-Unis
croissance"↛ épargne 4,04 0,04 vers l’épargne

épargne"↛"croissance 3,70 0,05 Causalité de l’épargne

Allemagne
croissance"↛ épargne 0,48 0,78 vers la croissance

Royaume - épargne"↛"croissance 1,22 0,26

Aucun lien de causalité
Uni croissance"↛ épargne 0,72 0,39

épargne"↛"croissance 4,02 0,13 Causalité de la croissance

Espagne
croissance"↛ épargne 7,09 0,02 vers l’épargne

épargne"↛"croissance 3,08 0,07 Causalité de l’épargne

Italie
croissance"↛ épargne 0,15 0,68 vers la croissance

épargne"↛"croissance 0,97 0,32 Causalité de la croissance

Japon
croissance"↛ épargne 4,55 0,03 vers l’épargne

↛ : Sens de non-causalité

Tableau 3.8 Résultats des tests de causalité (Base 1)

 39

Pays H0 •¶ P-value Conclusion

épargne"↛"croissance 0,02 0,86 Causalité de la croissance

Chine
croissance"↛ épargne 4,10 0,04 vers l’épargne

épargne"↛"croissance 0,045 0,83 Causalité de la croissance

Algérie
croissance"↛ épargne 3,47 0,06 vers l’épargne

Afrique du épargne"↛"croissance 8,81 0,003 Causalité de l’épargne

Sud croissance"↛ épargne 0,08 0,77 vers la croissance

épargne"↛"croissance 0,57 0,44

Argentine Aucun lien de causalité
croissance"↛ épargne 0,23 0,62

épargne"↛"croissance 3,82 0,14 Causalité de la croissance

Inde
croissance"↛ épargne 12,87 0,001 vers l’épargne

épargne"↛"croissance 4,19 0,04

Turquie Causalité bidirectionnelle
croissance"↛ épargne 2,79 0,09

épargne"↛"croissance 3,58 0,03 Causalité de l’épargne

Gabon
croissance"↛ épargne 0,71 0,87 vers la croissance

épargne"↛"croissance 2,16 0,06 Causalité de l’épargne

Nigeria
croissance"↛ épargne 0,04 0,82 vers la croissance

épargne"↛"croissance 2,70 0,10

Sénégal Causalité bidirectionnelle
croissance"↛ épargne 9,97 0,001

↛ : Sens de non-causalité

Tableau 3.9 Résultats des tests de causalité (Base 2)

 40

L’analyse des résultats concernant la causalité entre l’épargne et la croissance fait

ressortir certaines remarques. Les résultats obtenus montrent que l’hypothèse nulle de
non-causalité peut être rejetée pour certains pays.

Si nous comparons la P-value au seuil de significativité 5 % (10 %), nous pouvons

rejeter l’hypothèse nulle de non-causalité de l’épargne vers la croissance et conclure
que le taux d’épargne intérieure brute cause le taux de croissance du PIB pour
seulement quelques pays (l’Allemagne, l’Italie, l’Afrique du Sud, le Gabon et le
Nigeria).

Cependant, en testant le lien de causalité inverse de la croissance vers l’épargne,

l’hypothèse nulle de non-causalité est rejetée à un seuil de 5 % ou 10 % pour les
États-Unis, l’Espagne, le Japon, la Chine, l’Algérie et l’Inde. Nous pouvons
confirmer que pour ces pays la croissance cause l’épargne et pas l’inverse.

Ce sens de causalité est bidirectionnel (l’hypothèse nulle est vérifiée dans les deux
sens à un seuil de 5 % ou 10 %) pour le Canada, la Turquie et le Sénégal.

Enfin, ces résultats ne révèlent aucune causalité pour la France, le Royaume-Uni et

l’Argentine puisque nous ne pouvons pas rejeter l’hypothèse nulle de non-causalité à
un seuil de 5 % ou même à 10 %.

Traditionnellement, un taux élevé d’épargne conduisait à une forte croissance. Nos

résultats empiriques ne peuvent confirmer ce circuit. Ces tests font découvrir plutôt
que le sens de causalité n’est pas le même d’un pays à un autre, ce qui permet
d’affirmer qu’il y a une certaine hétérogénéité de la causalité entre le taux d’épargne
et le taux de croissance. Néanmoins, nous remarquons aussi que la croissance est très
influente sur l’épargne pour beaucoup de pays (7 pays, si on exclut les liens
bidirectionnels). Parmi les arguments qui militent en faveur de ce lien, nous pouvons
évoquer le fait que l’investissement est la locomotive de la croissance. Si l’épargne
n’est pas transformée en accumulation du capital systématiquement, elle suivra la
 41

croissance. Une forte croissance permet l’épanouissement d’un système financier

efficace qui mobilise l’épargne (Levine et al., 2000).

Le survol de la revue de la littérature indique qu’empiriquement la relation de

causalité entre l’épargne et la croissance peut ne pas exister dans plusieurs pays.
D’autres résultats confirment l’existence d’une causalité classique entre l’épargne et
la croissance et d’autres confirment plutôt une causalité inverse. Cependant,
quelques-uns indiquent une causalité bidirectionnelle dans les deux sens.

Faisant maintenant des comparaisons de nos résultats avec les principaux textes écris
à ce sujet.

Nos résultats sont comparables avec ceux de Mohan (2006) d’autant qu’il a utilisé la
même source des données (indicateurs du développement dans le monde de la
Banque Mondiale). Cette étude demeure la plus proche de nos résultats.

En effet, ce dernier, après avoir utilisé le test de Granger (1969) pour un ensemble de
pays plus diversifiés en revenu par rapport à nos données, a affirmé soit le lien de
causalité de la croissance vers l’épargne ou le lien bidirectionnel.
Exceptionnellement, le lien inverse de l’épargne vers la croissance a été vérifié que
pour deux pays à revenu intermédiaire dans son étude.

La similitude réside dans le caractère des résultats trouvés puisque dans notre étude
nous avons remarqué la forte présence du lien de causalité de la croissance vers
l’épargne et la causalité bidirectionnelle. Par contre, la différence est remarquée pour
certains pays communs entre l’étude de l’auteur et la nôtre. Nous avons distingué des
différences en ce qui concerne le Canada, le Royaume-Uni, l’Inde, l’Argentine,
l’Afrique du Sud et le Nigeria. Pour la plupart de ces pays, l’auteur trouve plutôt une
causalité croissance-épargne. Sinon, pour le reste des pays à l’instar du Japon et
l’Algérie, les résultats sont identiques (une causalité croissance-épargne est
considérée). Pour la classe de revenu intermédiaire, l’auteur trouve une causalité dans
 42

les deux sens tandis qu’elle est unidirectionnelle de la croissance vers l’épargne dans
le reste des pays. Dans notre étude, les résultats de causalité sont plus mitigés par
rapport à la classe de revenu, mais concorde avec l’auteur sur la prédominance du lien
croissance-épargne.

Donc, cette prédominance ne peut confirmer la vision conventionnelle que des taux
d’épargne plus élevés conduisent systématiquement à une croissance importante.
Nous avons fait remarquer plusieurs fois dans ce travail que les théories de la
croissance dans un cadre néoclassique maintiennent le fait que la croissance
économique est influencée positivement par des taux d’investissement importants13,
ce niveau d’investissement est attribué à son tour à plusieurs facteurs, principalement
l’épargne nationale. Inévitablement, ces autres facteurs peuvent expliquer la
prédominance du lien causal de la croissance envers l’épargne, au moins dans les
pays à haut revenu.!!

En effet, l’analyse suggère que les épisodes d’accélérations de l’épargne sont

principalement le résultat de très fortes performances macroéconomiques, en
l’occurrence d’une croissance forte et régulière du PIB par tête, d’un faible taux de
chômage et des finances publiques saines, les changements de régime et les réformes
économiques sont généralement suivis d’une accélération de la croissance, voir
l’étude d’Ebeke (2014).

La causalité inverse de la croissance vers l’épargne a été discutée aussi dans l’étude
de Carroll et Weil (1994). En comparant les résultats, nous constatons que les pays de
l’OCDE traités individuellement peuvent manifester un lien de causalité traditionnel
allant de l’épargne vers la croissance (Allemagne, Italie) ou bidirectionnelle (le
Canada) contrairement aux résultats des auteurs qui confirment le lien causal de la

13
Toutefois, la démonstration théorique de ce lien à partir d’un modèle macroéconomique ne fait pas
objet de la présente étude.
 43

croissance envers l’épargne sur l’ensemble agrégé des 22 pays de l’OCDE.

Rappelons que Carroll et Weil (1994) expliquent cette causalité inverse par des
mécanismes microéconomiques, notamment par le fait que les ménages qui anticipent
une croissance du revenu auront tendance à épargner plus que ceux anticipant une
croissance de revenu plus lente.

Concernant le lien de causalité conventionnel de l’épargne vers la croissance, les

résultats trouvés sont très proches avec les deux études de (Oladipo, 2010) en ce qui
concerne le Nigeria et (Mavrotas et Kelly, 2001) pour l’Inde. Pour le Nigeria, nous
avons trouvé un lien de causalité allant de l’épargne vers la croissance et c’est
exactement la conclusion de (Oladipo, 2010) bien qu’il a utilisé deux séries non
stationnaires et coïntégrées contrairement à notre travail puisque nous avons travaillé
plutôt avec deux séries stationnaires. Pour l’Inde, la causalité croissance-épargne,
trouvée dans ce travail, est semblable au résultat de (Mavrotas et Kelly, 2001) en ce
qui concerne leur test de la causalité entre le PIB et l’épargne intérieure brute sachant
qu’ils ont utilisé les mêmes variables, le taux de croissance du PIB et le taux
d’épargne.
 CONCLUSION

L’objectif de ce travail est d’étudier la relation entre l’épargne et la croissance

économique à travers les liens de causalités. Un premier aperçu de la littérature
confirme que la direction de ce lien peut être un sujet de controverse. À ce stade, il
convient de rappeler que la relation entre ces deux variables peut être traitée selon
différentes approches14.

Dans notre travail, nous avons choisi l’analyse par des séries temporelles en
construisant un taux de croissance standard pour l’économie et de le jumeler avec un
taux d’épargne dans un modèle vectoriel autorégressif (VAR), les données en panel
sont issues de la base de la Banque Mondiale pour étendre notre analyse sur un
échantillon de pays avec différents revenus.

Après avoir vérifié les caractéristiques des séries notamment la stationnarité, nous
avons procédé à un test de causalité en suivant la méthode de Toda et Yamamoto
(1995) en considérant deux séries stationnaires. Les résultats obtenus sont différents
d’un pays à l’autre. En effet, un lien unidirectionnel de causalité de l’épargne vers la
croissance a été effectif pour des pays à haut revenu tels que l’Allemagne, l’Italie,
mais aussi pour des pays à faible revenu comme l’Afrique du Sud, le Gabon et le
Nigeria. Par contre, le lien inverse où la croissance cause l’épargne est majoritaire,
nous l’observons aux États-Unis, en Espagne, au Japon, en Chine, mais aussi en
Algérie et en Inde. Un lien de causalité dans les deux sens est trouvé pour le Canada,

14
Voir l’étude de Aghion et al. (2008).
 45

la Turquie et le Sénégal. Enfin, nous n’avons trouvé aucun lien pour la France, le
Royaume-Uni et l’Argentine.

Ces résultats démontrent la différence dans la réaction de la croissance du PIB en face

du taux d’épargne, nous sommes partis de l’hypothèse qu’un fort taux d’épargne
précède et peut causer une forte croissance mais il semble, finalement, que le revenu
n’a aucun effet sur la direction du lien à part de confirmer la forte corrélation entre les
deux variables dans les pays à revenu élevé, voir Annexe A, tableau A.3.

Il convient de préciser que notre analyse présente quelques limites. D’abord, il faut
être prudent par rapport aux mesures, nos résultats sont basés sur le comportement de
l’épargne intérieure brute (encore corrigée). Si une substitution peut être faite avec
l’épargne privée, les résultats peuvent être différents, voir (Mavrotas et Kelly, 2001).
Aussi, pour enrichir l’analyse sur les économies ouvertes, il serait pertinent de
rajouter au modèle une mesure pour la contrainte financière afin de tenir compte du
financement extérieur. Nos résultats peuvent aussi être critiqués par rapport à
l’horizon T relativement réduit, les caractéristiques asymptotiques des tests, dans les
séries temporelles, sont généralement vérifiées pour un T qui tend mathématiquement
vers l’infini pour un N fixe (Smith et Fuertes, 2010).

Également, l’autre limite qui devrait être discutée a trait à la méthodologie utilisée
pour corriger le taux d’épargne tout en permettant un changement de moyenne. En
effet, l’hypothèse de Perron (1989) sur les changements structurels a été critiquée par
rapport au choix d’une date qui serait la plus probable pour une rupture. Ce choix
exogène (sur une connaissance préalable des données) et/ou endogène (à l’aide des
tests économétriques) peut invalider les caractéristiques des distributions concernant
les statistiques des tests de la racine unitaire. Les nouvelles études sur les
changements structurels se penchent de plus en plus vers des méthodes qui permettent
des choix endogènes des dates de rupture en adéquation avec les tests économétriques
de la racine unitaire (Glynn et al., 2007).
 ANNEXE A

STATISTIQUES DESCRIPTIVES

Pays Obs. Max Min Moyenne Écart-type

Canada 49 0,069 - 0,032 0,029 0,020
France 46 0,063 - 0,029 0,022 0,018
États-Unis 49 0,072 - 0,027 0,028 0,019
Allemagne 45 0,052 - 0,056 0,019 0,020
Royaume-Uni 49 0,065 - 0,041 0,023 0,021
Espagne 46 0,081 - 0,035 0,026 0,024
Italie 49 0,071 - 0,054 0,021 0,026
Japon 46 0,084 - 0,055 0,024 0,027
Chine 48 0,194 - 0,057 0,088 0,046
Algérie 48 0,274 - 0,113 0,041 0,050
Afrique du Sud 49 0,071 - 0,021 0,027 0,022
Argentine 48 0,126 - 0,108 0,028 0,056
Inde 48 0,102 - 0,052 0,055 0,029
Turquie 49 0,104 - 0.056 0,043 0,039
Gabon 46 0,394 - 0,240 0,039 0,103
Nigeria 34 0,337 - 0,131 0,037 0,077
Sénégal 49 0,089 - 0,065 0,029 0,037

Tableau A.1 Statistiques descriptives pour le taux de croissance

 47

Pays Obs. Max Min Moyenne Écart-type

Canada 49 0,265 0,180 0,237 0,019
France 46 0,287 0,198 0,230 0,023
États-Unis 49 0,242 0,147 0,200 0,026
Allemagne 45 0,298 0,203 0,241 0,020
Royaume-Uni 49 0,249 0,129 0,193 0,032
Espagne 46 0,271 0,198 0,231 0,019
Italie 49 0,265 0,185 0,225 0,020
Japon 46 0,400 0,183 0,288 0,056
Chine 48 0,514 0,243 0,389 0,069
Algérie 48 0,570 0,201 0,369 0,098
Afrique du Sud 49 0,378 0,178 0,238 0,051
Argentine 48 0,339 0,151 0,221 0,044
Inde 48 0,340 0,133 0,228 0,058
Turquie 49 0,262 0,108 0,161 0,038
Gabon 46 0,729 0,238 0,493 0,103
Nigeria 34 0,393 0,018 0,221 0,079
Sénégal 49 0,164 0,009 0,069 0,031

Tableau A.2 Statistiques descriptives pour le taux d’épargne

 48

Pays Facteur de corrélation

Canada 0,418
France 0,698
États-Unis 0,405
Allemagne 0,288
Royaume-Uni 0,295
Espagne 0,544
Italie 0,745
Japon 0,510
Chine 0,319
Algérie 0,025
Afrique du Sud 0,128
Argentine - 0,086
Inde 0,422
Turquie - 0,051
Gabon 0,349
Nigeria - 0,083
Sénégal 0,384

Tableau A.3 Corrélation entre le taux d’épargne et le taux de croissance

 ANNEXE B

ÉVOLUTION DU TAUX D’ÉPARGNE PAR PAYS ENTRE 1967-2015

 50

Canada France États/Unis

.27 .30 .26

.26
.28 .24
.25

.24 .26 .22

.23
.24 .20
.22

.21 .22 .18

.20
.20 .16
.19

.18 .18 .14

1970 1975 1980 1985 1990 1995 2000 2005 2010 2015 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015

Allemagne Royaume2Uni Espagne

.30 .26 .28

.27
.24
.28 .26
.22
.25

.26 .20 .24

.23
.18
.24
.22
.16
.21
.22
.14 .20

.12 .19
.20 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015
1970 1975 1980 1985 1990 1995 2000 2005 2010 2015
1975 1980 1985 1990 1995 2000 2005 2010 2015
Italie Japan
.27 .44

.26
.40
.25
.36
.24

.23 .32

.22 .28

.21
.24
.20
.20
.19

.18 .16
1970 1975 1980 1985 1990 1995 2000 2005 2010 2015 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015

Figure B.1 Évolution du taux d’épargne dans les pays à haut revenu
 51

Algérie Afrique3du3sud Argentine

.60 .40 .350

.55 .325
.36
.50
.300
.45 .32
.275
.40
.28 .250
.35
.225
.30 .24

.25 .200
.20
.20 .175

.15 .16 .150

1970 1975 1980 1985 1990 1995 2000 2005 2010 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015 1970 1975 1980 1985 1990 1995 2000 2005 2010

Inde Turquie Gabon

.36 .28 .8

.32 .7
.24

.28 .6
.20

.24 .5

.16
.4
.20

.12 .3
.16

.08 .2
.12 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015
1970 1975 1980 1985 1990 1995 2000 2005 2010 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015

Nigeria Sénégal Chine

.20 .52
.40

.35 .48
.16
.30 .44

.25 .12 .40

.20
.36
.08
.15
.32
.10 .04
.28
.05
.00 .24
.00 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015 1970 1975 1980 1985 1990 1995 2000 2005 2010
1985 1990 1995 2000 2005 2010

Figure B.2 Évolution du taux d’épargne dans les pays à faible revenu
 ANNEXE C

ÉVOLUTION DU TAUX DE CROISSANCE PAR PAYS ENTRE 1967-2015

 53

Canada France États!Unis

.08 .08 .08

.06 .06 .06

.04 .04 .04

.02 .02 .02

.00 .00 .00

!.02 !.02 !.02

!.04 !.04
1970 1975 1980 1985 1990 1995 2000 2005 2010 2015 !.04
1970 1975 1980 1985 1990 1995 2000 2005 2010 2015
1970 1975 1980 1985 1990 1995 2000 2005 2010 2015

Allemagne Royaume!Uni Espagne

.06 .08 .10

.04 .06 .08

.04 .06
.02

.02 .04
.00
.00 .02
!.02
!.02 .00

!.04
!.04 !.02

!.06 !.06 !.04

1975 1980 1985 1990 1995 2000 2005 2010 2015 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015

Italie Japon
.08 .10

.06 .08

.06
.04
.04
.02
.02
.00
.00

!.02
!.02

!.04 !.04

!.06 !.06
1970 1975 1980 1985 1990 1995 2000 2005 2010 2015 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015

Figure C.1 Évolution du taux de croissance dans les pays à haut revenu
 54

Algérie Afrique3du3sud Argentine

.3 .08 .15

.06 .10
.2

.04 .05
.1

.02 .00
.0
.00 !.05

!.1
!.02 !.10

!.2 !.04 !.15

1970 1975 1980 1985 1990 1995 2000 2005 2010 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015 1970 1975 1980 1985 1990 1995 2000 2005 2010

Inde Turquie Gabon

.12 .12 .4

.3
.08 .08
.2

.04 .04
.1

.00 .0
.00

!.1
!.04 !.04
!.2

!.08 !.08 !.3

1970 1975 1980 1985 1990 1995 2000 2005 2010 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015

Nigeria Sénégal Chine

.4 .12 .20

.3 .15
.08

.2 .10
.04

.1 .05

.00
.0 .00

!.04
!.1 !.05

!.2 !.08 !.10

1985 1990 1995 2000 2005 2010 1970 1975 1980 1985 1990 1995 2000 2005 2010 2015 1970 1975 1980 1985 1990 1995 2000 2005 2010

Figure C.2 Évolution du taux de croissance dans les pays à faible revenu
 BIBLIOGRAPHIE

Aghion, P., Comin, D., Howitt, P. et Tecu, I. (2009). When Does Domestic Saving
Matter for Economic Growth? Harvard Business School.Working Paper 09-080.

Akaike, H. (1974). A New Look at the Statistical Model Identification. Automatic

Control, IEEE Transactions on, 19(6), 716–723.

Attanasio, O. P., Picci, L. et Scorcu, A. E. (2000). Saving, Growth, and Investment: A

Macroeconomic Analysis Using a Panel of Countries. Review of Economics and
Statistics, 82(2), 182–211.

Bourbonnais, R. (2006). Économétrie (6e éd..). Paris : Dunod.

Breitung, J. et Pesaran, M. H. (2005). Unit Roots and Cointegration in Panels (SSRN

Scholarly Paper No. ID 796190). Rochester, NY : Social Science Research
Network. Récupéré de https://papers.ssrn.com/abstract=796190

Carroll, C. et Weil, D. (1994). Saving and Growth: A Reinterpretation. Carnegie-

Rochester Conference Series on Public Policy, 40, 133-192.

Chow, G. C. (1960). Tests of Equality Between Sets of Coefficients in Two Linear

Regressions. Econometrica, 28(3), 591-605.

Damodar N. Gujarati. (1988). Basic Econometrics (2nd ed.).: New York! McGraw-
Hill.

Dolado, J. J. et Lütkepohl, H. (1996). Making Wald Tests Work for Cointegrated

VAR Systems. Econometric Reviews, 15(4), 369-386.

Easterly, W. et Levine, R. (2001). It’s Not Factor Accumulation: Stylized Facts and
Growth Models. The World Bank Economic Review, 15(2), 177-219.

Ebeke, C. (2014). Private Saving Accelerations. IMF Working Paper No. 14/223.
International Monetary Fund.

Eggoh, J. C. (2009). Développement financier et croissance : Une synthèse des

contributions pionnières. Laboratoire d’Economie d’Orléans.
 56

Ehrhart, C. (2006). Croissance, redistribution et lutte contre la pauvreté!: l’évolution

non linéaire de l’approche de la Banque Mondiale. L’Actualité économique,
Revue d’analyse économique, 82(4), 597-641.

Engle, R. F. et Granger, C. W. J. (1987). Co-Integration and Error Correction:

Representation, Estimation, and Testing. Econometrica, 55(2), 251–276.

Feldstein, M. et Horioka, C. (1980). Domestic Saving and International Capital

Flows. The Economic Journal, 90(358), 314.

Giles, D., (2011a). Testing for Granger Causality: Econometrics Beat: Dave Giles’
Blog. Récupéré de http://davegiles.blogspot.ca/2011/04/testing-for-granger-
causality.html

Giles, D., (2011b). A Tale of Two Tests: Econometrics Beat: Dave Giles’ Blog.
Récupéré de http://davegiles.blogspot.ca/2011/09/tale-of-two-tests.html

Glynn, J., Perera, N. et Verma, R. (2007). Unit Root Tests and Structural Breaks: A
Survey with Applications. Revista de métodos cuantitativos para la economía y
la empresa, 3, 63–79.

Granger, C. W. J. (1969). Investigating Causal Relations by Econometric Models and

Cross-spectral Methods. Econometrica, 37(2), 424-438.

Hatemi-J, A., Roca, E. et Buncic, D. (2006). Bootstrap Causality Tests of The

Relationship Between The Equity Markets of the U.S. And Other developed
Countries: Pre- And post-September 11. Journal of Applied Business Research,
22(3), 65-74.

Hausmann, R., Pritchett, L. et Rodrik, D. (2005). Growth Accelerations. Journal of

Economic Growth, 10(4), 303-329.

Hurlin, C. (2007). Testing Granger Non Causality in Heterogeneous Panel Data

Models with Fixed Coefficients. Séminaire Nanterre.

Johansen, S. (1988). Statistical Analysis of Cointegration Vectors. Journal of

Economic Dynamics and Control, 12(2-3), 231-254.

Johansen, S. et Juselius, K. (1990). Maximum Likelihood Estimation and Inference

on Cointegration - with Applications to the Demand for Money. Oxford Bulletin
of Economics and Statistics, 52(2), 169-210.

Kaldor, N. (1956). Alternative Theories of Distribution. The Review of Economic

Studies, 23(2), 83-100.
 57

Kayhan, S., Adiguzel, U., Bayat, T. et Lebe, F. (2010). Causality Relationship

between Real GDP and Electricity Consumption in Romania (2001-2010).
Journal for Economic Forecasting, (4), 169-183.

Keynes, John Maynard. (1936). The General Theory of Employment, Interest and
Money.: London Macmillan.

Kuersteiner, G. M. (2008). Granger–Sims causality. Edited by Durlauf et L. E.

Blume, The New Palgrave Dictionary of Economics (2e éd., p. 727-736).
Basingstoke : Nature Publishing Group.

Levine, R., Loayza, N. et Beck, T. (2000). Financial Intermediation and Growth:

Causality and Causes. Journal of Monetary Economics, 46(1), 31-77.

Lewis, W. A. (1955). The Theory of Economic Growth.: Homewood, Richard D.

Irvin.

Loayza, N., López, H., Schmidt-Hebbel, K. et Servén, L. (1998). Saving in The

World: Stylized Facts. World Bank mimeograph.

MacKinnon, J. G. (1996). Numerical Distribution Functions for Unit Root and

Cointegration Tests. Journal of Applied Econometrics, 11(6), 601-18.

Masson, P., Bayoumi, T. et Samiei, H. (1995). Saving Behavior in Industrial and

Developing Countries. Staff Studies for the World Economic Outlook.
Washington, D. C

Mavrotas, G. et Kelly, R. (2001). Old Wine in New Bottles: Testing Causality

between Savings and Growth. Manchester School, 69, 97–105.

Modigliani, F. (1970). The Life-Cycle Hypothesis and Intercountry Differences in the

Saving Ratio, in W. A. Eltis, M. FG. Scott, and J. N. Wolfe, eds., Induction,
Growth, and Trade: Essays in Honour of Sir Roy Harrod. Oxford University
Press, 197-225.

Mohan, R. (2006). Causal Relationship Between Savings And Economic Growth In

Countries With Different Income Levels. Economics Bulletin, 5(3), 1-12.

Obstfeld, M. et Rogoff, K. (2000). The Six Major Puzzles in International

Macroeconomics: Is There a Common Cause? (Working Paper No. 7777).
National Bureau of Economic Research. Récupéré le 21 décembre 2016 de
http://www.nber.org/papers/w7777
 58

Oladipo, O. (2010). Does Saving Really Matter For Growth In Developing

Countries? The Case Of A Small Open Economy. The International Business &
Economics Research Journal, 9(4), 87–94.

Perron, P. (1989). The Great Crash, the Oil Price Shock, and the Unit Root
Hypothesis. Econometrica, 57(6), 1361-1401.

Phillips, P. C. B. et Toda, H. Y. (1993). Limit Theory in Cointegrated Vector

Autoregressions. Econometric Theory, 9(1), 150-153.

Romer, P. M. (1986). Increasing Returns and Long-Run Growth. Journal of Political

Economy, 94(5), 1002-1037.

Schmidt-Hebbel, K. (1997). Saving Across the World Puzzles and Policies. :

Washington, DC World Bank.

Shreyes. (s.d.). We Think Therefore We R: Unit Root Versus Breaking Trend:

Perron’s Criticism. Récupéré le 25 août 2016 de http://programming-r-pro-
bro.blogspot.com/2011/11/unit-root-versus-breaking-trend-perrons.html

Sims, C. (1972). Money, Income, and Causality. American Economic Review, 62(4),
540-52.

Sinha, D. et Sinha, T. (1998). Cart Before the Horse? The Saving-Growth Nexus in
Mexico. Economics Letters, 61(1), 43–47.

Smith, R. P. et Fuertes, A.-M. (2010). Panel Time-Series. Centre for Microdata

Methods and Practice (cemmap) mimeo, April 2007. Récupéré de
http://www.ems.bbk.ac.uk/faculty/smith/RSpanel.pdf

Solow, R. M. (1956). A Contribution to the Theory of Economic Growth. The

Quarterly Journal of Economics, 70(1), 65–94.

Toda, H. Y. et Yamamoto, T. (1995). Statistical Inference in Vector Autoregressions

with Possibly Integrated Processes. Journal of Econometrics, 66(1), 225–250.

World Bank. (1993). The East Asian Miracle: Economic Growth and Public Policy.
New York, N.Y : Oxford University Press.

Zivot, E. et Andrews, D. W. K. (1992). Further Evidence on the Great Crash, the Oil-
Price Shock, and the Unit-Root Hypothesis. Journal of Business & Economic
Statistics, 10(3), 251-270.