NE PAS CITER SANS L’AUTORISATION
DES AUTEURS
Un modèle macroéconomique d’analyse et de prévision de
l’insolvabilité commerciale et des consommateurs au Canada
par
Richard Archambault
Dominic Laverdière
Information et analyse économiques
Bureau du surintendant des faillites
Industrie Canada
ii
Note :
Les opinions exprimées dans ce document sont celles des auteurs et ne reflètent pas
nécessairement le point de vue d’Industrie Canada ou du gouvernement fédéral.
The views expressed in this document are the authors’ and do not necessarily reflect the
opinions of Industry Canada or of the federal government.
iii
Résumé
L’objectif principal de ce document est d’améliorer notre compréhension des
facteurs macroéconomiques responsables de la croissance de l’insolvabilité au Canada
afin d’être en mesure de mieux prévoir son évolution future. En se basant sur la littérature
existante, les auteurs ont développé un modèle d’insolvabilité des consommateurs et un
modèle d’insolvabilité commerciale.
Différents critères statistiques ont été utilisés pour effectuer la sélection du
modèle commercial et des consommateurs. Les résultats obtenus avec les modèles
suggèrent, entre autres, que le ratio d’endettement est le déterminant ayant le plus
d’influence sur la croissance de l’insolvabilité des consommateurs pour la période 1987-
2003. Au niveau de l’insolvabilité commerciale, il semble que la baisse des taux d’intérêt
soit la cause principale de la diminution de ce type d’insolvabilité observée entre 1996 et
2003.
iv
Table des matières
1. Introduction.................................................................................................................. 1 2. Revue de littérature ...................................................................................................... 4 2.1 Insolvabilité des consommateurs ...................................................................... 4 2.2 Insolvabilité commerciale................................................................................. 7 3. Déterminants sélectionnés pour le développement des modèles ................................. 8 3.1 Déterminants sélectionnés pour le modèle des consommateurs ....................... 8 3.2 Déterminants sélectionnés pour le modèle commercial.................................. 10 4. Résultats..................................................................................................................... 11 4.1 Source des données ......................................................................................... 11 4.2 Définition des modèles ................................................................................... 12 4.3 Estimation, prévision et critères d’évaluation des modèles ............................ 13 4.4 Analyse des résultats....................................................................................... 14 5. Inférence statistique ................................................................................................... 18 5.1 Simulation de l’impact d’une augmentation d’une unité de pourcentage
des variables exogènes.................................................................................... 19 6. Conclusion ................................................................................................................. 21 Bibliographie.................................................................................................................. 23 Annexes.......................................................................................................................... 25
1. Introduction
Au Canada, depuis la fin des années 60, le nombre de cas d’insolvabilité affiche une
tendance à la hausse. D’un peu plus de 5 000, en 1966, le nombre de cas d’insolvabilité a
presque atteint 111 500 en 2003, ceci représente une augmentation annuelle moyenne de
8,7 %. Ces cas d’insolvabilité se divisent en deux grands types, l’insolvabilité des
consommateurs et l’insolvabilité commerciale1. Depuis 1966, l’insolvabilité des
consommateurs et commerciale a augmenté respectivement de 11,3 % et 3,3 % en
moyenne par année. Il existe également deux grands types de procédure, les faillites et les
propositions. Une faillite correspond à la liquidation des actifs du débiteur et à
l’effacement de son passif. La proposition correspond à une entente entre les créanciers et
le débiteur dans laquelle il est prévu que le débiteur remboursera une partie de son passif
et conservera ses actifs. La proposition commerciale permet à l’entreprise de poursuivre
ses opérations.
1 La classification d’un dossier d’insolvabilité selon le type consommateur ou commercial est déterminée par la proportion des dettes reliées à la consommation ou à l’opération d’une entreprise. Un dossier où plus de 50% des dettes proviennent de la consommation sera considéré comme un cas d’insolvabilité de consommateur. De la même façon, un dossier qui présente plus de 50% de dettes provenant de l’opération d’une entreprise sera classifié comme un cas d’insolvabilité commerciale.
Figure 1 : Nombre de dossiers d'insolvabilité déposés au BSF, Canada 1966-2003
10 000
20 000
30 000
40 000
50 000
60 000
70 000
80 000
90 000
100 000
110 000
1966 1969 1972 1975 1978 1981 1984 1987 1990 1993 1996 1999 2002
Insolvabilité des consommateurs
Insolvabilitécommerciale
2
En 1992 et 1997, deux réformes législatives sont venues changer certaines
dispositions de la Loi sur la faillite et l’insolvabilité (LFI)2. La proposition de
consommateurs a été introduite lors de la révision législative de 1992. La proposition
commerciale existait déjà à ce moment, mais certaines modifications ont augmenté la
viabilité des propositions commerciales et facilité l’acceptation de ces dernières par les
créanciers. La réforme de 1997 a visé principalement à favoriser les propositions de
consommateurs et commerciales comme alternative à la faillite. Par ailleurs, les dettes
d’étudiants qui étaient libérables une fois les études terminées sont devenues libérables
seulement après dix ans. Comme ce changement avait été annoncé bien avant que la
réforme ne soit en force, plusieurs étudiants semblent avoir déposé un dossier
d’insolvabilité anticipé. Ceci explique en grande partie la croissance observée en 1996 et
1997 et la baisse de 19983.
Le processus des faillites et propositions au Canada est encadré par la LFI et est
supervisé par le Bureau du surintendant des faillites (BSF)4. La croissance du volume de
dossiers est une des préoccupations du BSF. Comme le BSF doit superviser
l’administration des dossiers d’insolvabilité, toute augmentation ou diminution du
nombre de dossiers d’insolvabilité affecte ses besoins en ressources humaines et
financières5.
L’objectif de ce document est double et complémentaire à la fois. Le premier
objectif est de mieux comprendre les facteurs socio-économiques qui influent sur
l’insolvabilité commerciale et des consommateurs. Le deuxième objectif est de 2 Il existe une autre loi importante au Canada pour le processus de réorganisation commerciale, la Loi sur les arrangements avec les créanciers des compagnies (LACC). Cette loi peut être utilisée, au choix du débiteur, pour toutes réorganisations d’entreprises à condition que la valeur totale du passif soit supérieure à 5 millions de dollars. Cette loi n’est pas supervisée par le BSF et il n’existe pas de registre public. À titre d’exemple, Air Canada, Téléglobe et le club de hockey des Sénateurs d’Ottawa ont utilisé ce mécanisme au cours des dernières années pour réorganiser leurs opérations. 3 Une analyse par groupes d’âge effectuée au BSF attribue 50 % de l’augmentation de 1996-1997 et 90 % de la baisse de 1998 au groupe de 34 ans et moins. C’est dans ce groupe d’âge qu’il est plus susceptible de trouver des débiteurs qui ont un prêt étudiant à rembourser. 4 Pour en savoir plus à propos du BSF, le lecteur est prié de consulter le site du BSF à l’adresse suivante http://strategis.ic.gc.ca/epic/internet/inbsf-osb.nsf/vwGeneratedInterF/br01010f.html. 5 Le BSF est un organisme spécial d’Industrie Canada qui doit financer ses opérations. Ces principales sources de financements sont des droits d’enregistrement perçus à l’ouverture des dossiers d’insolvabilité et la perception d’un prélèvement qui est fonction des dividendes versés aux créanciers non-garantis.
3
développer un modèle de projection de l’insolvabilité commerciale et des
consommateurs. Nous prévoyons développer deux modèles, un pour chaque type
d’insolvabilité.
La suite de ce document est organisée comme suit. À la section 2, nous présentons
un survol de la littérature économique. Les déterminants que nous évaluerons pour le
développement du modèle d’insolvabilité commercial et des consommateurs sont
présentés à la section 3. La section 4 est consacrée au choix des modèles ou des équations
d’insolvabilité commerciale et des consommateurs. Nos choix sont basés sur le résultat de
différents tests statistiques et de spécification et sur l’évaluation de la performance de
projection de chaque modèle. À la section 5, nous présentons des résultats de l’inférence
statistique et la conclusion de ce document est présentée à la section 6.
4
2. Revue de littérature
La littérature empirique portant sur la faillite est relativement abondante et se
divise principalement en deux volets. D’un côté, il y a les travaux qui se concentrent sur
l’aspect microéconomique de la faillite. Des données en coupe transversale sur les
caractéristiques des individus (entreprises ou consommateurs) sont alors utilisées. De
l’autre, on retrouve les études empruntant la perspective macroéconomique, utilisant des
données de séries chronologiques afin de cerner les déterminants de la faillite. Ce sont ces
dernières qui retiendront davantage notre attention.
2.1 Insolvabilité des consommateurs
Une des premières études empiriques sur les déterminants macroéconomiques des
faillites de consommateurs provient de Yeager (1974). En utilisant des données sur les
ménages américains pour la période de 1950 à 1970, un modèle de la croissance du
nombre de faillites par 100 000 individus est mis sur pied. Avec comme seule variable
explicative le ratio d’endettement de consommation6 retardé de six mois, il réussit à
expliquer 94 % de la croissance des faillites sur la période. Afin d’améliorer le modèle, le
taux de chômage, retardé de plusieurs périodes, a été employé, mais avec des résultats
peu probants. Une mise à jour du travail de Yeager a été effectuée par Sullivan (1983) sur
la période 1950-1982. En plus de confirmer la relation entre le ratio d’endettement à la
consommation et le taux de faillite, on utilise le Consumer Sentiment Index comme
mesure de la volonté des ménages à repayer leurs dettes. De plus, l’ajout de variables
dichotomiques, pour les années où l’économie américaine est en récession et pour
capturer l’effet de la réforme de la loi sur les faillites, permet d’augmenter le pouvoir
explicatif du modèle. Shepard (1984) abonde dans le même sens en affirmant, suite aux
conclusions de son étude sur le nombre annuel de faillites aux États-Unis, que
6 Le ratio d’endettement à la consommation fait référence au crédit à la consommation en pourcentage du revenu disponible.
5
l’augmentation du ratio d’endettement des ménages est en grande partie responsable de la
forte croissance du nombre de faillites du début des années 1960.
L’approche de Kowalewski (1982) est plus complexe du point de vue théorique.
Elle s’articule autour d’un modèle intertemporel de maximisation de l’utilité du
consommateur, où les préférences entre la consommation présente et future sont
confrontées à une contrainte budgétaire imposée par les revenus actuels et futurs.
L’estimation empirique du modèle, où la variable dépendante est le nombre de faillites
per capita, utilise des données trimestrielles pour la période 1961-1979. Les variables
explicatives du modèle comprenaient des mesures pour le revenu permanent et
transitoire, les taux d’intérêt ainsi qu’une variable pour les dépenses non-discrétionnaires.
Trois variables concernant le portefeuille d’actifs/passifs des ménages étaient aussi
incluses. Toutes les variables, à l’exception de la série sur les taux d’intérêts, se sont
avérées statistiquement significatives.
Fay, Hurst et White (2002), qui présentent la faillite comme le résultat d’une
décision stratégique plutôt que le fruit d’événements imprévus, affirment que l’âge du
chef de famille, son niveau d’éducation et la taille du ménage sont autant de facteurs qui
influencent la décision de faire faillite. Domowitz et Sartain (1997) soutiennent que le
facteur le plus important dans la décision d’un ménage face à la faillite est la présence de
problèmes de santé menant à l’accumulation des dettes médicales7. À la marge, ce sont
toutefois les dettes de cartes de crédit en proportion du revenu qui contribuent le plus à la
probabilité de se retrouver en situation d’insolvabilité. Quant aux facteurs qui
déterminent si le ménage en situation d’insolvabilité se dirigera vers la proposition ou la
faillite, une hausse du taux de mariage, du taux d’emploi, du revenu ou du ratio
actif/passif favorise le dépôt d’une proposition. Gross et Souleles (2001), à partir de
données américaines sur les comptes de cartes de crédit, font partie des rares auteurs à
obtenir un lien entre le taux de chômage et un risque accru de faillite. En général, les
7 Ce type d’endettement est surtout présent aux États-Unis où les soins de santé ne font pas partie des services couverts par l’État. Or, l’accès à l’assurance-maladie dans ce pays n’est pas à la portée de tous.
6
auteurs s’entendent pour dire que les ménages propriétaires de leur logement ont une
probabilité moindre de faire faillite.
O’Neil (1998) présente une des rares études en contexte canadien. Toujours dans
le but de déterminer si des facteurs économiques peuvent expliquer les statistiques sur les
faillites, un modèle du nombre de faillites par 1 000 adultes est construit pour la période
1975-1996. Les variables explicatives utilisées sont le taux de croissance du PIB réel et le
ratio, retardé de deux périodes, du service de la dette8 sur le revenu personnel disponible.
Une variable dichotomique est ajoutée pour prendre en considération le changement
structurel décelé en 19929. Les résultats obtenus indiquent que toutes les variables sont
significatives et de signe attendu.
Dans une étude commandée par le BSF, Schwartz et Anderson (1998) tentent de
dresser le profil-type du débiteur insolvable canadien à partir d’un échantillon d’individus
ayant sollicité la protection de la loi de la faillite au cours des mois de mars et d’avril
1997. À la lumière des données recueillies, ils constatent que les faillis potentiels ne
forment pas un groupe homogène ou représentatif de la population canadienne en général.
En effet, leur échantillon fait état d’une surreprésentation de divorcés ainsi que
d’individus âgés de 50 ans et moins. Au niveau du revenu par ménage, la médiane de
l’échantillon se situe à 24 000 $ alors qu’elle est de 31 000 $ à l’échelle canadienne. Si le
taux d’activité parmi les faillis potentiels est de 85 %, le taux de chômage pour ce groupe
frôle toutefois les 25 %, ce qui est largement supérieur au taux de chômage de la
population à cette époque. D’ailleurs, au moment de l’enquête, la perte d’emploi
constituait le motif principal d’un recours à la faillite. Les auteurs étudient aussi
l’évolution du PIB réel et du taux de chômage en parallèle à l’évolution des faillites au
Canada. Leur hypothèse de base stipule que « lorsque l’économie est performante, la
8 Le service de la dette fait référence aux intérêts payés sur le crédit à la consommation et le crédit hypothécaire par rapport au revenu disponible. 9 Le changement structurel de 1992 coïncide avec les modifications à la Loi sur la faillite et l’insolvabilité qui visaient à réduire le nombre de faillites. Les faillites ont cependant continué à augmenter. L’auteur émet alors l’hypothèse que ce changement peut être dû à d’autres facteurs tels que l’augmentation du coût des études postsecondaires et, conséquemment, à l’explosion de l’endettement des étudiants.
7
situation économique des particuliers s’améliore et quand l’économie connaît des ratés,
certains particuliers en subissent les contrecoups et le nombre de faillites augmentent ».
2.2 Insolvabilité commerciale
Peu de chercheurs semblent s’être attardés à l’étude des déterminants
macroéconomiques de l’insolvabilité commerciale. La recherche semble davantage axée
sur la prévision des faillites à l’aide des différents ratios financiers.
Takala et Viren (1996) examinent les faillites commerciales en Finlande sur la
période 1922-1994. Les variables retenues pour l’analyse sont le taux d’endettement
(dettes des entreprises/PIB), le taux de variation du PIB, le taux d’intérêt réel, le taux de
variation du prix des actions, le taux de change réel et la part des dépenses du
gouvernement central dans le PIB10. De plus, on utilise le nombre de faillites retardées
d’une année pour capturer la persistance des faillites. Toutes ces variables s’avèrent
statistiquement significatives et permettent d’expliquer jusqu’à 96 % de la variation du
nombre de faillites.
Pour expliquer l’évolution du taux de faillites d’entreprises au Canada, O’Neill
(1998) reprend presque intégralement le modèle utilisé pour les consommateurs. On y
retrouve comme variables explicatives le ratio du service de la dette sur le revenu
personnel disponible, le taux de croissance du PIB ainsi que le ratio des profits
corporatifs sur le PIB. La présence du ratio du service de la dette sur le revenu personnel
est justifiée par le fait que de nombreuses petites entreprises utilisent le crédit et le revenu
personnel dans le financement de leurs opérations. À elles seules, ces trois variables
permettent d’expliquer la quasi-totalité de l’augmentation des faillites d’entreprises au
cours de la période 1978-1995.
10 La part des dépenses du gouvernement central dans le PIB est utilisée comme déterminant afin de prendre en considération la période couvrant la Seconde Guerre mondiale. Durant cette période, les dépenses gouvernementales représentaient 50 % du PIB alors qu’en temps normal, elles ne représentent qu’environ 10 %.
8
3. Déterminants sélectionnés pour le développement du modèle
Plusieurs variables11 ont été considérées lors du développement des modèles
d’insolvabilité commerciale et des consommateurs. Pour chaque modèle, nous avons
retenu un ensemble de variables cycliques et un ensemble de variables structurelles. Les
variables cycliques ont des effets transitoires sur la croissance de l’insolvabilité et les
variables structurelles ont des effets permanents sur le niveau d’insolvabilité.
3.1 Déterminants sélectionnés pour le modèle des consommateurs
Dans ce modèle, les variables cycliques testées sont le PIB, le taux de chômage et
le taux d’emploi. L’effet du PIB et du taux d’emploi sur l’insolvabilité des
consommateurs devrait être contracyclique et l’effet du taux de chômage devrait être
procyclique. A priori, nous avons une préférence pour le taux d’emploi pour les raisons
suivantes. Premièrement, le taux d’emploi s’interprète comme la part de la population
canadienne en âge de travailler qui reçoit un revenu de travail. Les créanciers sont plus
susceptibles d’accorder du crédit à un débiteur qui a un revenu d’emploi qu’à un débiteur
sans emploi. Deuxièmement, contrairement au taux de chômage, les fluctuations du taux
d’emploi sont indépendantes des mouvements d’entrées et de sorties de la population
active.
Parmi les variables structurelles, comme Yeager, Sullivan et Shepard, nous
croyons fortement que la croissance du ratio d’endettement12 des consommateurs est un
11 Le choix des variables a de plus été contraint par des considérations de nature opérationnelle. Comme un des objectifs est la prévision trimestrielle du volume de dossiers commerciaux et de consommateurs, nous avons dû restreindre notre choix à des variables disponibles en fréquence trimestrielle et qui sont disponibles dans un court délai. Par exemple, le nombre de divorces est disponible uniquement en fréquence annuelle et est publié avec un délai d’au moins deux ans. Cette variable a tout de même été testée dans un modèle annuel, mais le coefficient associé était de signe contraire aux attentes théoriques. Le divorce est une raison souvent évoquée par les débiteurs pour expliquer leur recours à la LFI. 12 Plusieurs économistes cités dans les quotidiens parlent souvent du ratio de la dette sur l’actif comme un meilleur indicateur de la santé financière des consommateurs. Au cours des 10 dernières années, 89 % des débiteurs insolvables qui ont déposé un dossier au BSF avaient moins de 10 000 $ d’actifs. Ainsi, le ratio
9
10
20
30
40
50
60
70
80
90
100
110
1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 200250%
60%
70%
80%
90%
100%
110%
Figure 2: Insolvabilité des consommateurs et ratio total d’endettement (en milliers)
Insolvabilité des consommateurs
Crédit total / revenu personnel disponible
déterminant important de la croissance de l’insolvabilité. Il semble y avoir un retard entre
les mouvements du ratio d’endettement et de l’insolvabilité des consommateurs, voire la
figure 2. Nous testerons deux ratios d’endettement; le ratio du crédit à la consommation
et le ratio du crédit total. Le premier ratio reflète le poids des dettes non-garanties par
rapport au revenu disponible en circulation dans l’économie. Le second ratio prend en
considération les dettes non-garanties et garanties mesurées par l’ajout de la dette
hypothécaire. Il semble que de plus en plus de consommateurs vont accumuler des dettes
non-garanties pour être en mesure de continuer à rembourser leurs prêts hypothécaires.
Ainsi, le ratio du crédit total mesure l’ensemble du poids des dettes des consommateurs
par rapport au revenu disponible. Le ratio du crédit total a passé le cap des 100 % au
deuxième trimestre de 2002. En d'autres mots, il faudrait maintenant qu’un débiteur
moyen consacre un peu plus que la totalité de son revenu disponible d’une année pour
rembourser toutes ses dettes personnelles.
La croissance de la population canadienne sera également considérée. Toute chose
étant égale par ailleurs, on peut s’attendre que si la taille de la population augmente le
nombre de cas d’insolvabilité augmente également. Comme suggéré par O’Neil, nous
testerons également le ratio du service de la dette. De plus, nous considérerons le taux d’endettement semble être une meilleure mesure pour les fins de cet exercice. De plus, l’information pour construire un ratio de la dette sur l’actif n’est disponible que depuis le début des années 90.
10
d’intérêt hypothécaire. Une augmentation du taux d'intérêt hypothécaire entraînera une
augmentation de la charge d'intérêt des consommateurs propriétaires. Pour toutes les
variables structurelles, nous nous attendons à ce que le signe du coefficient associé soit
positif.
3.2 Déterminants sélectionnés pour le modèle commercial
Pour le modèle commercial, nous reprenons essentiellement l’approche de O’Neil
avec quelques petits ajouts. Le PIB13 est utilisé comme variable cyclique et l’effet devrait
être contracyclique. Lorsque la croissance du PIB s’accélère le nombre de cas
d’insolvabilité commercial devrait diminuer.
Les variables structurelles testées dans notre modélisation sont le profit des
entreprises, le profit des entreprises en pourcentage du PIB nominal, le ratio du service de
la dette et un taux d’intérêt de court terme. Nous nous attendons à ce que l’insolvabilité
commerciale soit corrélée négativement avec le profit des entreprises et positivement
avec le service de la dette et le taux d’intérêt de court terme.
13 Cette variable capture également l’effet des variations du taux de change. Nous avons tenté d’incorporer directement le taux de change dans notre modèle, mais sans succès.
11
4. Résultats
4.1 Source des données
Les données sur l’insolvabilité utilisées pour la construction et l’évaluation des
modèles proviennent de la banque de données IMPACT, administrée par le BSF14. Cette
base de données contient toutes les informations relatives aux dossiers d’insolvabilité
depuis 1976 et ce, sur une base mensuelle. Toutefois, ces données ne sont fiables qu’à
partir de 1987. Avant cette date, l’information permettant de catégoriser les différents
types de dossiers, à savoir les codes administratifs, était incomplète. Conséquemment, les
données antérieures à 1987 ne seront utilisées qu’à titre de valeurs initiales pour
l’estimation des différentes équations.
La majorité des séries chronologiques pour les variables explicatives utilisés dans
les modèles proviennent de la banque de données CANSIM de Statistique Canada.
L’exception provenant des séries concernant le service de la dette puisqu’elles nous ont
été fournies directement par la Banque du Canada. La série sur le ratio d’endettement et
celle sur le ratio des profits des entreprises sur le PIB ont dû être construites puisqu’elles
n’étaient pas directement disponibles. Le ratio d’endettement a été calculé en effectuant
le rapport du revenu personnel disponible sur la somme du crédit à la consommation et du
crédit hypothécaire. La part des profits des entreprises dans le PIB représente simplement
le rapport du profit des entreprises avant impôts sur le PIB nominal.
14 L’information provenant du BSF fait état du nombre de nouveaux dossiers d’insolvabilité déposés chaque mois. Nous sommes donc en présence de flux que nous sommerons afin d’obtenir les séries trimestrielles.
12
Tableau 1Variable Mnémonique Numéro SourceInsolvabilité des consommateurs ic BSFTaux d'emploi ep v2062817 CANSIMTaux de chômage ur v2062815 CANSIMRatio d'endettement (a+b/c) ratioRatio d'endettement de consommation (b/c) ratio_cons Crédit hypothécaire (a) v122726 CANSIM Crédit à la consommation (b) v122689 CANSIM Revenu personnel disponible (c) v498186 CANSIMPopulation (15 ans +) pop v2062809 CANSIMTaux hypothécaire à 5 ans rmcm5 v122521 CANSIMPIB (prix de base) gdp v2035516 CANSIMPIB (prix du marché) ygdpk v1992067 CANSIMService de la dette debtserv BDCService de la dette à la consommation debtserv_cons BDCInsolvabilité des entreprises ie BSFTaux d'intérêt du papier commercial 90 jours rcp90 v122491 CANSIMProfits des entreprises avant impôts profits v498214 CANSIMProfit des entreprises en % du PIB cpngdp Profits des entreprises v498214 CANSIM PIB nominal (prix de base) v1992223 CANSIMBSF: Bureau du surintendant des faillites
CANSIM: Statistique Canada
BDC: Banque du Canada
4.2 Définition des modèles
La première étape de notre analyse empirique repose sur un examen des séries
chronologiques dans le but de déterminer si celles-ci présentent des racines unitaires. Les
résultats des tests Dickey-Fuller augmenté, Phillips-Perron ainsi que l’ordre d’intégration
des séries sont présentés en annexe.
On peut aisément constater que, sur la période échantillonnale, l’ensemble des
séries est intégrée d’ordre 1 à l’exception de la série de population qui est intégrée
d’ordre 2. Or, cette propriété a une implication sur le choix du type de modèle que nous
nous proposons d’estimer, sachant qu’en présence de racine unitaire, la modélisation en
niveaux présente un risque accru de corrélation fallacieuse. Nous optons donc pour une
13
modélisation en différence première15, où toutes les séries seront transformées de manière
à être intégrées d’ordre 0.
4.3 Estimation, prévision et critères d’évaluation des modèles
Pour l’estimation des modèles, nous avons utilisé les données pour l’ensemble de
la période, soit de 1987:1 à 2003:4. La méthode des MCO a été appliquée afin d’obtenir
les estimés des coefficients. Suite à l’estimation, nous avons entrepris une première ronde
de sélection afin de retenir les meilleures spécifications. Nos critères de sélection se
basent alors sur les tests usuels tels que le R2 ajusté, le test LM de corrélation sérielle, le
Béra-Jarque pour la normalité des résidus et le Ramsey pour déceler les problèmes de
spécification en plus de certains tests de stabilité présentés en annexe.
Afin d’évaluer la performance prévisionnelle de chaque équation, nous avons
séparé en deux sous-périodes notre période d’estimation initiale. En employant une
méthode récursive16 débutant sur la période 1987:1-1998:4, nous pouvons effectuer 20
itérations, nous procurant autant de prévisions à partir desquelles nous pourrons analyser
la performance prévisionnelle des modèles.
Les critères sur lesquels nous basons notre évaluation de la capacité de prévision
des modèles visent non seulement à mesurer la précision, mais aussi la capacité à prévoir
la direction des variations. La précision des prévisions est mesurée à l’aide du coefficient
d’inégalité de Theil, de la proportion du biais, de la variance et de la covariance17 ainsi
15 Les différents modèles envisagés ont tous été élaborés en termes de taux de croissance. Pour les variables exprimées en niveaux, les taux de croissance sont obtenus en utilisant la différence du logarithme de la valeur d’une série au temps T avec le logarithme de sa valeur au temps T-1. Pour les variables déjà en taux (par ex. le ratio d’endettement), nous utilisons simplement la différence de la valeur de la variable au temps T à sa valeur au temps T-1. 16 La méthode récursive consiste dans ce cas-ci à estimer le modèle sur les observations T0 à T1 afin de calculer la prévision au temps T1+1. Ensuite, le modèle est réestimé sur la période T0 à T1+1 pour calculer la prévision au temps T1+2, et ainsi de suite. 17 La proportion du biais correspond en partie à l’erreur systématique de la prévision, à savoir qu’elle représente la différence entre la moyenne de la série prévue et celle de la série contenant les vraies valeurs. La proportion de la variance peut être interprétée comme l’inefficacité de la prévision. Elle est une
14
que la proportion de l’erreur moyenne absolue. Quant à la capacité à prévoir la direction
des variations, elle est mesurée à l’aide d’un indice de confusion. Cet indice est obtenu en
calculant la proportion du nombre de fois que le modèle prévoit correctement la direction
du mouvement de la série réelle.
4.4 Analyse des résultats
Les tableaux 2a et 2b réunissent les équations qui ont été estimées ainsi que leurs
résultats aux différents tests. On notera que la série de résidus de chacune de ces
équations se comporte comme un bruit blanc. À l’instar de ce qui a été mentionné aux
sections 3.1 et 3.2, différentes variables cycliques ont été testées afin de repérer celles qui
maximisaient l’ensemble des critères. Une fois la variable cyclique choisie, différents
agencements de variables structurelles sont alors évalués.
Au niveau de l’insolvabilité des consommateurs, les équations 1a, 2a, 3a et 4a
font intervenir les différentes variables cycliques, soit les PIB (au prix de base et prix du
marché), le taux de chômage et le taux d’emploi. Comme le démontrent les résultats,
toutes ces équations présentent en général des statistiques fort comparables18 et
constituent donc des alternatives valables pour la modélisation du comportement de
l’insolvabilité des consommateurs.
L’analyse des statistiques reliées à l’évaluation de la performance des prévisions
nous permet de constater qu’aucune des 4 équations indiquées ci-dessus ne domine à tous
les points de vue. D’ailleurs, elles sont toutes caractérisées par une proportion de
covariance s’approchant de 1, ce qui indique une bonne performance prévisionnelle des
différentes équations et que les erreurs de prévision sont essentiellement non
représentation de la différence entre la variance de la série prévue et les données réelles. Finalement, la proportion de la covariance est une mesure de l’erreur non-systématique de la prévision. Les trois composantes somment à 1 et l’objectif est de minimiser la valeur de la proportion du biais et de la variance. 18 À noter que pour les équations 5a et 1b, la statistique Bera-Jarque suggère la présence d’un problème lié à la normalité de la distribution des résidus. Cette situation est due à la présence d’une seule valeur extrême dans les résidus de 5a et de trois valeurs extrêmes dans le cas de 1b.
15
systématiques. Cependant, comme une de nos préoccupations est la minimisation de la
proportion de l’erreur moyenne absolue (PEMA), celle-ci est minimale lorsque la
prévision s’effectue à l’aide des équations 1a et 3a où la variable cyclique est soit le taux
d’emploi où le taux de chômage. De plus, l’inférence statistique présentée à la section 5
nous apprend que l’utilisation du taux d’emploi ou du taux de chômage comme variables
cycliques ne laissent pas d’effets permanents, ce qui n’est pas le cas avec le PIB (qu’il
soit mesuré aux prix de base ou du marché). Finalement, tel que nous l’avons mentionné
à la section 3.1, les variations du taux d’emploi sont indépendantes des mouvements
d’entrée et de sortie de la population active, ce qui n’est pas le cas avec le taux de
chômage. C’est donc sur cette base que nous retenons le taux d’emploi comme variable
cyclique.
Les équations 5a, 6a et 7a reprennent le taux d’emploi comme variable cyclique,
mais remplacent le ratio d’endettement total par le ratio d’endettement à la
consommation, le service de la dette ou le service de la dette à la consommation.
L’équation 5a, qui fait intervenir le ratio d’endettement à la consommation, produit des
résultats similaires à ceux de l’équation 1a. Toutefois, conformément à la discussion de la
section 3.1 sur l’accumulation des dettes non-garanties, nous privilégions l’utilisation du
ratio d’endettement total comme déterminant. Dans les équations 6a et 7a, qui utilisent le
service de la dette et le service de la dette à la consommation, on notera que la variable
taux d’intérêt n’apparaît plus puisque celle-ci est désormais implicitement prise en
considération. Le service de la dette améliore la capacité de prévision en abaissant la
PAME comparativement à l’équation 1a, mais les résultats au test de Ramsey suggèrent
la présence de problèmes de spécification. Pour cette raison, nous penchons vers
l’utilisation de l’équation 1a plutôt que les équations 6a et 7a.
Pour la modélisation de l’insolvabilité commerciale (tableau 2b), deux variables
cycliques ont été considérées : le PIB au prix de base et le PIB au prix du marché. Les
variables structurelles qui ont été employées sont le taux d’intérêt à court terme (rcp90),
le profit des entreprises (profits) et la part du profit des entreprises en pourcentage du
16
Tableau 2a
Éq. Variables R2 R2 ajusté DW Ser. corr. (prob) S.E. regres Ramsey
(prob)Bera-Jarque
(prob) Theil Biais Var Covar P.E.M.A. Confusion
1a ic, ep, ratio, pop, rmcm5 0.5651 0.5144 1.9167 0.7770 0.0534 0.1228 0.1128 1.0097E-06 0.026578 0.050840 0.922582 3.95% 70%
2a ic, gdp, ratio, pop, rmcm5 0.6401 0.5769 1.9808 0.9586 0.0498 0.0327 0.9761 1.1464E-06 0.037967 0.054747 0.907286 4.44% 65%
3a ic, ur, ratio, pop, rmcm5 0.6502 0.5889 1.8806 0.6016 0.0491 0.2140 0.4963 1.0521E-06 0.000358 0.084000 0.915643 3.82% 70%
4a ic, ygdpk, ratio, pop, rmcm5 0.6431 0.5804 2.0453 0.7358 0.0496 0.0436 0.9328 1.0784E-06 0.011229 0.027390 0.961382 4.22% 60%
5a ic, ep, ratio_cons, pop, rmcm5 0.5250 0.4695 1.8350 0.4886 0.0558 0.6872 0.0014 1.1747E-06 0.000132 0.019461 0.980407 4.36% 70%
6a ic, ep, ratio, pop, debtserv 0.5577 0.5061 2.0265 0.8685 0.0539 0.0059 0.8955 9.3895E-07 0.159538 0.043573 0.796888 3.61% 65%
7a ic, ep, ratio, pop, debtserv_cons 0.5538 0.4933 1.9759 0.9029 0.0545 0.0365 0.5814 9.9240E-07 0.060792 0.011817 0.927391 3.88% 75%
Tableau 2b
Éq. Variables R2 R2 ajusté DW Ser. corr. (prob) S.E. regres Ramsey
(prob)Bera-Jarque
(prob) Theil Biais Var Covar P.E.M.A. Confusion
1b ie, gdp, rcp90, profits, seas 0.7771 0.7284 1.9279 0.7859 0.0565 0.0479 0.0004 1.0935E-05 0.072125 0.010653 0.917222 4.07% 80%
2b ie, gdp, rcp90, profits 0.7603 0.7132 2.0856 0.5867 0.0581 0.1112 0.4513 8.9723E-06 0.002832 0.000002 0.997165 4.47% 85%
3b ie, ygdpk, rcp90, profits 0.7262 0.6782 2.1086 0.4974 0.0615 0.0993 0.4149 9.7329E-06 0.000283 0.018266 0.981452 4.93% 85%
4b ie, ygdpk, rcp90, profits, seas 0.7892 0.7385 2.2817 0.0916 0.0555 0.0253 0.0914 1.0705E-05 0.009140 0.134347 0.856514 5.00% 85%
5b ie, gdp, rcp90, cpngdp 0.7526 0.7040 2.0648 0.6704 0.0590 0.0897 0.5400 1.0162E-05 0.001171 0.000077 0.998752 4.99% 80%
6b ie, ygdpk, rcp90, cpngdp 0.6625 0.6167 2.1044 0.4800 0.0671 0.1159 0.7484 1.0630E-05 0.000008 0.059701 0.940291 5.22% 85%
7b ie, gdp, rcp90, profits 0.7408 0.7006 2.2730 0.1946 0.0584 0.0663 0.4697 9.4529E-06 0.000684 0.008196 0.991120 4.44% 90%
17
PIB. Une variable dichotomique saisonnière a aussi été incluse dans certaines
modélisations.
Notre première constatation est que les résultats sont, une fois de plus, fort
comparables. Cependant, on remarque que les modélisations où intervient le PIB au prix
de base obtiennent, en général, de meilleurs résultats lors de l’évaluation des
performances de prévision. Ceci se reflète notamment par des valeurs inférieures au
niveau de la statistique Theil et de la PEMA et des valeurs supérieures pour la proportion
de covariance. Nous concluons donc que le PIB au prix de base est la variable cyclique
que nous devons favoriser.
Le PIB au prix de base apparaît dans les équations 1b, 2b, 5b et 7b où cette
dernière est, contrairement des autres, estimée en différence première et saisonnière pour
tenir compte d’un effet saisonnier dans le nombre de dossiers d’insolvabilité. Or, le souci
de la minimisation de l’erreur moyenne absolue nous incite à choisir les spécifications 1b,
2b ou 7b. Ces dernières sont, sommes toutes, équivalentes quant à leur capacité de
prévision un trimestre à l’avance. Une comparaison de ces modélisations sur un horizon
de prévision de quatre trimestres, et ce, à une et deux années à l’avance19, nous permet
d’ajouter un critère supplémentaire pour la sélection d’une modélisation.
Les résultats à 1 an et 2 ans à l’avance nous indiquent que l’équation 1b est très
peu performante comparativement à 2b et 7b sur un tel horizon de prévision. En effet, ses
PEMA de 5,85% et 14,26% respectivement à 1 an et 2 ans à l’avance, sont nettement
supérieures à celles des autres spécifications. L’équation 7b, malgré des erreurs de
prévision légèrement supérieures à celles de 2b, compense par une meilleure proportion
de covariance. Nous considérons donc que la spécification 7b est en meilleure mesure de
prévoir le nombre de dossiers d’insolvabilité commerciale.
19 Le tableau de résultats est disponible en annexe.
18
5. Inférence statistique
Les résultats d’estimations suggèrent que le principal déterminant de
l’insolvabilité personnelle est le ratio d’endettement. En utilisant les estimations de
l’équation 1a, toutes choses étant égales par ailleurs, la contribution de la croissance du
ratio d’endettement à l’augmentation de l’insolvabilité personnelle, entre le premier
trimestre de 1987 et le quatrième trimestre de 2003, serait estimée à 88 %. Selon les
estimations des autres équations, cette contribution se situerait entre 85 % et 128 %. Ceci
sous-entend que certains déterminants ont contribué négativement à la croissance de
l’insolvabilité des consommateurs. C’est effectivement le cas pour le taux hypothécaire
de 5 ans qui, toutes choses étant égales par ailleurs, aurait contribué à faire diminuer
l’insolvabilité personnelle de 19 % selon les estimations de l’équation 1a. Comme le taux
d’intérêt hypothécaire de 5 ans est présentement dans un creux jamais observé, au cours
des 40 dernières années, on peut s’attendre à ce que toute augmentation future pousse à la
hausse l’insolvabilité personnelle au Canada.
La variable endogène retardée de l’équation 1a, qui représente l’effet de
persistance, expliquerait, toutes choses étant égales par ailleurs, 20 % de l’augmentation
de l’insolvabilité personnelle au cours de la période d’estimation. Selon les différentes
estimations, la contribution de cette variable se situerait entre 12 % et 20 %. Cet effet de
persistance pourrait indiquer que le stigmate social associé à l’insolvabilité personnelle a
diminué au cours des 20 dernières années. Ainsi, les débiteurs insolvables seraient peut-
être moins socialement embarrassés de déposer un dossier d’insolvabilité aujourd’hui
qu’ils ne l’étaient dans les années 1980.
La contribution de la variable population est négligeable (moins de 5 %) dans
toutes les équations. Finalement, la contribution du taux d’emploi, utilisé comme variable
cyclique, ne serait que de –1,4 %. Ce résultat est cohérent avec la nature temporaire des
effets cycliques. Par contre, dans les 2 équations testées avec le PIB, utilisé comme
variable cyclique, il apparaît que les effets étaient permanents, plutôt que temporaire,
avec des contributions négatives de 34 % et 22 %.
19
En ce qui concerne l’insolvabilité commerciale, il apparaît que la variable qui a
joué le plus grand rôle dans la baisse observée depuis 1996 est le taux d’intérêt. En effet,
la baisse du taux d’intérêt, qui se traduit par un coût de financement moins élevé pour les
entreprises, pourrait expliquer jusqu’à 50 % de la baisse du nombre de cas d’insolvabilité
commerciale observée depuis 1996. Le profit des entreprises expliquerait aux environs de
15 % des variations et le PIB en expliquerait un peu moins de 10 %.
5.1 Simulation de l’impact d’une augmentation d’une unité de
pourcentage des variables exogènes
Pour effectuer la simulation, nous avons utilisé les coefficients des équations 1a et
7b. Nous avons simulé un choc annuel d’une unité de pourcentage qui s’est étendu sur
quatre trimestres consécutifs (0,25, 0,25, 0,25, 0,25). La durée de l’effet est fonction de la
structure de décalage de chaque variable. L’effet du choc peut se propager sur une
période pouvant aller jusqu’à une dizaine de trimestres. Nous présentons le résultat total
de la simulation au tableau 5.1. Les niveaux d’insolvabilité commerciale et des
consommateurs, observés en 2003, ont été utilisés comme point de départ pour le calcul
de l’effet en niveaux du choc simulé.
Un choc positif d’une unité de pourcentage du taux d’emploi pourrait provoquer
une baisse de 1 725 (" 5 005) cas d’insolvabilité personnelle sur une période de 2 ans. À
l’impact, l’effet à la baisse est plus important. Selon les estimations de l’équation 1a, si le
taux d’intérêt hypothécaire augmentait d’une unité de pourcentage, le nombre de dossiers
d’insolvabilité pourrait augmenter de 5 869 (" 2 661) sur une période d’un peu plus de 2
ans. Finalement, l’augmentation d’une unité de pourcentage du taux d’endettement
pourrait causer une augmentation de 2 701 (" 742) dossiers. En 2003, le taux
d’endettement avait progressé de 5 unités de pourcentage. Ainsi, selon nos estimations, il
est probable qu’au cours des années 2004 et 2005, toutes choses étant égales par ailleurs,
que cette hausse provoque une augmentation de 13 505 dossiers (" 3 710).
20
Dans l’équation commerciale, l’augmentation simulée sur la croissance du PIB
indique un effet de 34 (" 245) dossiers. Une augmentation positive suite à un choc positif
sur le PIB semble à première vue contraire aux attentes théoriques. Ce résultat provient
du fait que le signe des coefficients du premier décalage associé au PIB est négatif et que
le second signe est positif. Cette situation peut s’expliquer comme suit. La croissance du
PIB indique une amélioration de l’activité économique. Ceci incite de nouveaux joueurs à
entrer sur le marché. Ces nouveaux joueurs font augmenter la compétitivité. Après un
certain temps, des joueurs moins performants peuvent maintenant se retrouver en
difficulté. Nous croyons que cette logique peut s’appliquer également à la croissance des
profits. Finalement, une augmentation d’une unité de pourcentage du taux d’intérêt sur le
papier commercial à 90 jours, qui représente une augmentation du coût de financement
des entreprises, se traduirait par une augmentation de 1 132 (" 326) dossiers
d’insolvabilité commerciale sur une période longue d’un peu plus de deux ans.
-1 725 5 005-1.7% 5.0%5 869 2 6615.8% 2.6%2 701 7422.7% 0.7%
34 2450.3% 2.3%1 132 326
10.6% 3.1% 28 23
0.3% 0.2%
Effet total +- 1 écart-type
Taux de croissance du PIB
Taux d'intérêt sur le papier commercial à 90 jours
Taux d'emploi
Taux d'intérêt hypothécaire
Taux d'endettement
Équation commerciale (7b)
Taux de croissance des profits
Tableau 5.1 : Simulation, impact de l'augmentation d'une unité de pourcentage des variables explicatives sur le nombre de cas d'insolvabilité
0.52 unité de pourcentage
-0.42 unité de pourcentage
1.70 unité de pourcenatge
Effet total +- 1 écart-typeÉquation des consommateurs (1a)
3.6%
10.8%
-0.11 unité de pourcenatge
Croissance annuelle moyenne des variables explicatives 1999-2003
Croissance annuelle moyenne des variables explicatives 1999-2003
21
6. Conclusion
Deux objectifs étaient poursuivis lors de la rédaction de ce document. Dans un
premier temps, il nous a servi à mieux comprendre les facteurs socio-économiques qui
ont une influence sur le nombre de cas d’insolvabilité de consommateurs et
d’insolvabilité commerciale au Canada. Par la suite, nous avons mis a contribution les
connaissances acquises pour développer des modèles de projection pour les deux types
d’insolvabilité.
Dans le cas de l’insolvabilité de consommateurs, un modèle utilisant le taux
d’emploi comme variable cyclique, le ratio d’endettement total, la taille de la population
et le taux d’intérêt hypothécaire comme variables structurelles nous a donné les meilleurs
résultats. Sur une base trimestrielle, la projection effectuée un trimestre à l’avance nous
permet d’obtenir une proportion d’erreur moyenne absolue (PEMA) de 3,95% avec un
indice de confusion de 70% et un biais de covariance de 0,92. Sur une projection
annualisée, prise à un an et deux ans à l’avance, la PEMA est respectivement de 2,78% et
6,51% et les indices de confusion s’établissent à 80% et 50%.
Le déterminant ayant davantage influencé l’évolution du nombre de cas
d’insolvabilité des consommateurs sur la période 1987-2003 est le ratio d’endettement
total. Nos estimations indiquent qu’il a contribué pour 88% de la croissance de
l’insolvabilité de consommateurs.
Au niveau de l’insolvabilité commerciale, le PIB au prix du marché s’est avéré le
déterminant cyclique à privilégier. À titre de variables structurelles, le taux d’intérêt sur
le papier commercial à 90 jours et les profits des entreprises avant impôts ont été retenus.
Un tel modèle, estimé en différences première et saisonnière, permet d’obtenir un PEMA
de 4,44%, un indice de confusion de 90% et un biais de covariance de 0,99 lors d’une
projection en base trimestrielle, réalisée un trimestre à l’avance. Annualisées, les
projections de ce modèle à un an et deux ans à l’avance nous ont permis d’obtenir des
22
PEMA de 2,45% et 3,95% ainsi que des indices de confusion de 100% et de 75%
respectivement.
Entre 1996 et 2003, le nombre de dossiers d’insolvabilité commerciale a chuté.
Nos calculs indiquent que 50% de cette baisse serait attribuable à la réduction du taux
d’intérêt du papier commercial à 90 jours, qui correspond en fait à une baisse du coût de
financement des entreprises.
Les données sur les dossiers d’insolvabilité qui sont recueillies par le BSF
contiennent un bon nombre d’informations sur les caractéristiques des débiteurs. Ces
informations permettraient, éventuellement, de complémenter le présent document d’une
étude où l’approche micro-économique serait utilisée.
23
Bibliographie
DOMOWITZ, Ian et Robert L. SARTAIN. « Determinants of the Consumer Bankruptcy
Decision », Journal of Finance, vol. 54, no 1 (février 1999), p. 403-420.
FAUVEL, Yvon, Alain Paquette et Christian Zimmerman. Prévision à court terme de
l’emploi à l’échelle nationale et provinciale au Canada, Direction générale de la
recherche appliquée, Politique stratégique, Développement des ressources humaines
Canada, document de recherche # R-99-6F, février 1999, 109 p.
FAY, Scott, Erik HURST et Michelle J. WHITE. « The Household Bankruptcy
Decision », American Economic Review, vol. 92, no 3 (juin 2002), p. 706-718.
GROSS, David B. et Nicholas S. SOULELES. An Empirical Analysis of Personal
Bankruptcy and Delinquency, National Bureau of Economic Research, Cahier de
recherche #8409, août 2001, 29 p.
KOWALEWSKI, Kim J. « Personal Bankruptcy : Theory and Evidence », Economic
Review, Federal Reserve Bank of Cleveland, vol. 18, no 2 (printemps 1982), p. 1-29.
O’Neill, Tim. « A Primer on Canadian Bankruptcies », Banque de Montréal, février
1998, 8 p.
SCHWARTZ, Saul et Leigh ANDERSON. Analyse empirique d’un échantillon de
Canadiens sollicitant la protection de la loi de la faillite, Ottawa, École d’administration
publique de l’université Carleton, 1998, 108 p.
SHEPARD, Lawrence. « Personal Failures and the Bankruptcy Reform Act of 1978 »,
Journal of Law and Economics, vol. 27, no 2 (octobre 1984), p. 419-437.
24
SULLIVAN, A. Charlene. Economic Factors Associated With Personal Bankruptcy,
Credit Research Center, Purdue University, 1983, 20 p.
TAKALA, Kari et Matti VIRÉN. « Bankruptcies, Indebtedness and the Credit Crunch »,
in Modelling Techniques for Financial Markets and Bank Management, éd. M.
Bertocchi, et al., Heidelberg, Physica, 1996, p. 152-177.
YEAGER, Frederick C. « Personal Bankruptcy and Economic Stability », Southern
Economic Journal, vol. 41, no 1 (juillet 1974), p. 96-102.
Annexes
26
Résultats des tests de racine unitaire
OrdreVariable Phillips-Perron DFA Phillips-Perron DFA d'intégrationInsolvabilité des consommateurs (log) 1.677799 2.107464 -9.084501 -3.251275 I(1)Taux d'emploi 1.405864 0.718905 -3.893998 -3.893998 I(1)Taux de chômage -1.148726 -0.856487 -5.605575 -5.605575 I(1)Ratio d'endettement 5.638984 2.522985 -4.823865 -1.851315 I(1)Population (15 ans +) (log) 51.48344 2.669708 -0.330251 0.028278 I(2)Taux hypothécaire à 5 ans -1.455959 -1.746072 -8.377777 -5.592601 I(1)PIB (prix de base) (log) 5.799242 2.253445 -3.149761 -2.348065 I(1)PIB (prix du marché) (log) 5.927801 2.666463 -3.369394 -2.167896 I(1)Service de la dette -0.713489 -0.562598 -6.497759 -4.355319 I(1)Service de la dette à la consommation -0.386159 -0.427523 -6.978332 -6.978332 I(1)Insolvabilité des entreprises (log) -0.181308 0.248882 -11.00278 -2.479788 I(1)Taux d'intérêt du papier commercial 90 jours
-1.184219 -1.219538 -7.502641 -3.889202I(1)
Profits des entreprises avant impôts (log) 1.630191 1.163169 -5.849492 -3.092757I(1)
Profit des entreprises en % du PIB 0.111862 -0.120788 -6.044483 -6.044483 I(1)
Valeurs critiques 1% : -2.59 5% : -1.94 10% : -1.61
Niveau 1ere différence
27
Résultats des projections annualisées, à 1 an et 2 ans à l'avance
Insolvabilité des consommateurs
Éq. Variables Theil Biais Var Covar P.E.M.A. Confusion Theil Biais Var Covar P.E.M.A. Confusion
1a ic, ep, ratio, pop, rmcm5 1.7026E-07 0.197030 0.184916 0.618054 2.78% 80% 3.9013E-07 0.161959 0.131921 0.706120 6.51% 50%
2a ic, gdp, ratio, pop, rmcm5 3.3800E-07 0.126032 0.292203 0.581765 5.09% 60% 5.7386E-07 0.113680 0.674432 0.211888 7.56% 75%
3a ic, ur, ratio, pop, rmcm5 3.0581E-07 0.062170 0.308914 0.628917 5.44% 60% 5.5082E-07 0.336261 0.485834 0.177904 10.86% 50%
4a ic, ygdpk, ratio, pop, rmcm5 2.7476E-07 0.042336 0.232873 0.724790 4.31% 60% 4.2498E-07 0.000304 0.654044 0.345652 6.15% 75%
5a ic, ep, ratio_cons, pop, rmcm5 3.5597E-07 0.007907 0.091432 0.900662 6.11% 80% 8.3190E-07 0.175599 0.335804 0.488596 13.06% 50%
6a ic, ep, ratio, pop, debtserv 2.4423E-07 0.752949 0.094917 0.152134 3.86% 80% 6.0723E-07 0.844357 0.091095 0.064548 9.72% 25%
7a ic, ep, ratio, pop, debtserv_cons 2.1065E-07 0.436299 0.029457 0.534245 2.80% 80% 4.3426E-07 0.574216 0.000627 0.425157 5.75% 50%
Insolvabilité commerciale
Éq. Variables Theil Biais Var Covar P.E.M.A. Confusion Theil Biais Var Covar P.E.M.A. Confusion
1b ie, gdp, rcp90, profits, seas 2.6036E-06 0.084269 0.182282 0.733449 5.85% 60% 5.9100E-06 0.267462 0.189670 0.542868 14.26% 25%
2b ie, gdp, rcp90, profits 1.1251E-06 0.000259 0.530897 0.468844 2.02% 80% 1.1526E-06 0.001364 0.630729 0.367907 2.68% 75%
3b ie, ygdpk, rcp90, profits 1.2449E-06 0.119170 0.106437 0.774394 2.57% 80% 1.6402E-06 0.587693 0.038847 0.373460 2.77% 75%
4b ie, ygdpk, rcp90, profits, seas 1.5130E-06 0.067499 0.014364 0.918137 2.36% 80% 2.2089E-06 0.023535 0.265179 0.711286 4.80% 50%
5b ie, gdp, rcp90, cpngdp 1.1816E-06 0.036726 0.507371 0.455903 2.40% 80% 8.7004E-07 0.084182 0.031349 0.884470 1.56% 75%
6b ie, ygdpk, rcp90, cpngdp 1.6777E-06 0.135572 0.061411 0.803017 3.62% 60% 1.8371E-06 0.513246 0.036396 0.450358 3.40% 75%
7b ie, gdp, rcp90, profits 1.4055E-06 0.010336 0.092931 0.896733 2.45% 100% 2.0914E-06 0.002434 0.074932 0.922633 3.95% 75%
1 an à l'avance 2 ans à l'avance
1 an à l'avance 2 ans à l'avance
28
Eq. 1aDependent Variable: DLOG(IC)Method: Least SquaresDate: 03/08/04 Time: 10:49Sample: 1987:1 2003:4Included observations: 68
Variable Coefficient Std. Error t-Statistic Prob.
DLOG(IC(-1)) -0.234445 0.088689 -2.643451 0.0105DLOG(IC(-4)) 0.432388 0.098776 4.377477 0D(EP) -9.193239 2.536278 -3.624696 0.0006D(EP(-4)) 7.454891 2.68716 2.774263 0.0074D(RATIO(-2)) 2.663413 0.724869 3.674336 0.0005D(RMCM5(-1)) 0.031691 0.012783 2.479099 0.016D(RMCM5(-5)) 0.025299 0.012657 1.998709 0.0502D(DLOG(POP(-3))) 106.4275 23.41311 4.545636 0
R-squared 0.565146 Mean dependent var 0.021298Adjusted R-squared 0.514413 S.D. dependent var 0.076627S.E. of regression 0.053397 Akaike info criterion -2.911999Sum squared resid 0.171073 Schwarz criterion -2.65088Log likelihood 107.008 Durbin-Watson stat 1.916691
.00
.05
.10
.15 -.2
-.1
.0
.1
.2
1990 1992 1994 1996 1998 2000 2002
N-Step Probability Recursive Residuals
0
2
4
6
8
10
12
14
16
-0.1 0.0 0.1 0.2
Series: ResidualsSample 1987:1 2003:4Observations 68
Mean 0.003675Median 0.002935Maximum 0.183533Minimum -0.100851Std. Dev. 0.050395Skewness 0.380369Kurtosis 3.980489
Jarque-Bera 4.363563Probability 0.112840
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1990 1992 1994 1996 1998 2000 2002
CUSUM of Squares 5% Significance
-1.2
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
0.2
1992 1994 1996 1998 2000 2002
Recursive C(1) Estimates ± 2 S.E.
-1
0
1
2
3
4
1992 1994 1996 1998 2000 2002
Recursive C(2) Estimates ± 2 S.E.
-90
-80
-70
-60
-50
-40
-30
-20
-10
0
1992 1994 1996 1998 2000 2002
Recursive C(3) Estimates ± 2 S.E.
-20
-10
0
10
20
30
40
50
1992 1994 1996 1998 2000 2002
Recursive C(4) Estimates ± 2 S.E.
-4
-2
0
2
4
6
8
10
12
1992 1994 1996 1998 2000 2002
Recursive C(5) Estimates ± 2 S.E.
-.08
-.04
.00
.04
.08
.12
1992 1994 1996 1998 2000 2002
Recursive C(6) Estimates ± 2 S.E.
-.3
-.2
-.1
.0
.1
.2
1992 1994 1996 1998 2000 2002
Recursive C(7) Estimates ± 2 S.E.
-200
-100
0
100
200
300
400
1992 1994 1996 1998 2000 2002
Recursive C(8) Estimates ± 2 S.E.
29
0
2
4
6
8
10
-0.05 0.00 0.05 0.10
Series: ResidualsSample 1987:1 2003:4Observations 68
Mean 0.002194Median 0.003594Maximum 0.132376Minimum -0.086252Std. Dev. 0.045920Skewness 0.036593Kurtosis 2.891772
Jarque-Bera 0.048363Probability 0.976108
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1990 1992 1994 1996 1998 2000 2002
CUSUM of Squares 5% Significance
-.8
-.7
-.6
-.5
-.4
-.3
-.2
-.1
.0
1992 1994 1996 1998 2000 2002
Recursive C(1) Estimates ± 2 S.E.
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1992 1994 1996 1998 2000 2002
Recursive C(2) Estimates ± 2 S.E.
-14
-12
-10
-8
-6
-4
-2
0
1992 1994 1996 1998 2000 2002
Recursive C(3) Estimates ± 2 S.E.
-8
-6
-4
-2
0
2
4
6
1992 1994 1996 1998 2000 2002
Recursive C(4) Estimates ± 2 S.E.
0
2
4
6
8
10
12
14
1992 1994 1996 1998 2000 2002
Recursive C(5) Estimates ± 2 S.E.
-4
-2
0
2
4
6
8
1992 1994 1996 1998 2000 2002
Recursive C(6) Estimates ± 2 S.E.
0
50
100
150
200
250
300
1992 1994 1996 1998 2000 2002
Recursive C(7) Estimates ± 2 S.E.
-.08
-.06
-.04
-.02
.00
.02
.04
.06
.08
1992 1994 1996 1998 2000 2002
Recursive C(8) Estimates ± 2 S.E.
-.06
-.04
-.02
.00
.02
.04
.06
.08
.10
1992 1994 1996 1998 2000 2002
Recursive C(9) Estimates ± 2 S.E.
.00
.02
.04
.06
.08
.10
.12
.14
1992 1994 1996 1998 2000 2002
Recursive C(10) Estimates ± 2 S.E.
-.12
-.08
-.04
.00
.04
.08
.12
1992 1994 1996 1998 2000 2002
Recursive C(11) Estimates ± 2 S.E.
Eq. 2aDependent Variable: DLOG(IC)Method: Least SquaresDate: 03/08/04 Time: 10:49Sample: 1987:1 2003:4Included observations: 68
Variable Coefficient Std. Error t-Statistic Prob.
DLOG(IC(-1)) -0.261553 0.087636 -2.98455 0.0042DLOG(IC(-4)) 0.369639 0.089959 4.108958 0.0001DLOG(GDP(-1)) -2.876989 0.944367 -3.046474 0.0035DLOG(GDP(-10)) 1.717927 0.906933 1.894215 0.0633D(RATIO(-2)) 3.328864 0.806726 4.126386 0.0001D(RATIO(-10)) 1.468826 0.746261 1.968246 0.0539D(DLOG(POP(-3))) 100.7285 22.28819 4.519364 0D(RMCM5) -0.024684 0.011358 -2.173313 0.0339D(RMCM5(-1)) 0.044439 0.012119 3.666768 0.0005D(RMCM5(-3)) 0.036967 0.01116 3.312493 0.0016D(RMCM5(-5)) 0.049934 0.011878 4.203988 0.0001
R-squared 0.640055 Mean dependent var 0.021298Adjusted R-squared 0.576907 S.D. dependent var 0.076627S.E. of regression 0.049843 Akaike info criterion -3.012824Sum squared resid 0.141604 Schwarz criterion -2.653786Log likelihood 113.436 Durbin-Watson stat 1.980751
.00
.05
.10
.15 -.2
-.1
.0
.1
.2
1990 1992 1994 1996 1998 2000 2002
N-Step Probability Recursive Residuals
30
0
1
2
3
4
5
6
7
8
9
-0.10 -0.05 0.00 0.05 0.10
Series: ResidualsSample 1987:1 2003:4Observations 68
Mean 0.000302Median 0.004997Maximum 0.125690Minimum -0.124697Std. Dev. 0.045318Skewness -0.297226Kurtosis 3.375749
Jarque-Bera 1.401252Probability 0.496275
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1990 1992 1994 1996 1998 2000 2002
CUSUM of Squares 5% Significance
-.5
-.4
-.3
-.2
-.1
.0
.1
.2
.3
1992 1994 1996 1998 2000 2002
Recursive C(1) Estimates ± 2 S.E.
-.2
-.1
.0
.1
.2
.3
.4
.5
.6
.7
1992 1994 1996 1998 2000 2002
Recursive C(2) Estimates ± 2 S.E.
0
4
8
12
16
20
24
1992 1994 1996 1998 2000 2002
Recursive C(3) Estimates ± 2 S.E.
-25
-20
-15
-10
-5
0
5
10
1992 1994 1996 1998 2000 2002
Recursive C(4) Estimates ± 2 S.E.
2
4
6
8
10
12
14
1992 1994 1996 1998 2000 2002
Recursive C(5) Estimates ± 2 S.E.
-12
-10
-8
-6
-4
-2
0
2
1992 1994 1996 1998 2000 2002
Recursive C(6) Estimates ± 2 S.E.
-100
-50
0
50
100
150
200
250
1992 1994 1996 1998 2000 2002
Recursive C(7) Estimates ± 2 S.E.
-.09
-.08
-.07
-.06
-.05
-.04
-.03
-.02
-.01
.00
1992 1994 1996 1998 2000 2002
Recursive C(8) Estimates ± 2 S.E.
-.02
.00
.02
.04
.06
.08
.10
.12
1992 1994 1996 1998 2000 2002
Recursive C(9) Estimates ± 2 S.E.
.02
.04
.06
.08
.10
.12
.14
1992 1994 1996 1998 2000 2002
Recursive C(10) Estimates ± 2 S.E.
-.04
.00
.04
.08
.12
.16
.20
1992 1994 1996 1998 2000 2002
Recursive C(11) Estimates ± 2 S.E.
Eq. 3aDependent Variable: DLOG(IC)Method: Least SquaresDate: 03/08/04 Time: 10:49Sample: 1987:1 2003:4Included observations: 68
Variable Coefficient Std. Error t-Statistic Prob.
DLOG(IC(-1)) -0.186375 0.080596 -2.312457 0.0244DLOG(IC(-4)) 0.302121 0.091513 3.301394 0.0017D(M_UR(-2)) 5.800762 2.202272 2.63399 0.0108D(M_UR(-6)) -5.823638 2.085752 -2.792105 0.0071D(RATIO(-2)) 5.330678 0.940743 5.666453 0D(RATIO(-5)) -1.751656 0.838126 -2.089968 0.0411D(DLOG(POP(-3))) 93.62752 22.29675 4.199156 0.0001D(RMCM5) -0.036231 0.010725 -3.37825 0.0013D(RMCM5(-1)) 0.033423 0.012883 2.594389 0.012D(RMCM5(-3)) 0.047508 0.01215 3.910073 0.0002D(RMCM5(-5)) 0.048004 0.012572 3.818313 0.0003
R-squared 0.650226 Mean dependent var 0.021298Adjusted R-squared 0.588862 S.D. dependent var 0.076627S.E. of regression 0.049133 Akaike info criterion -3.041487Sum squared resid 0.137603 Schwarz criterion -2.682449Log likelihood 114.4106 Durbin-Watson stat 1.880635
.00
.05
.10
.15
-.15
-.10
-.05
.00
.05
.10
.15
1990 1992 1994 1996 1998 2000 2002
N-Step Probability Recursive Residuals
31
0
1
2
3
4
5
6
7
8
9
-0.05 0.00 0.05 0.10
Series: ResidualsSample 1987:1 2003:4Observations 68
Mean 0.000960Median 0.005605Maximum 0.128277Minimum -0.089783Std. Dev. 0.045771Skewness 0.029053Kurtosis 2.786103
Jarque-Bera 0.139197Probability 0.932768
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1990 1992 1994 1996 1998 2000 2002
CUSUM of Squares 5% Significance
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
0.2
1992 1994 1996 1998 2000 2002
Recursive C(1) Estimates ± 2 S.E.
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1992 1994 1996 1998 2000 2002
Recursive C(2) Estimates ± 2 S.E.
-12
-10
-8
-6
-4
-2
0
1992 1994 1996 1998 2000 2002
Recursive C(3) Estimates ± 2 S.E.
-3
-2
-1
0
1
2
3
4
5
1992 1994 1996 1998 2000 2002
Recursive C(4) Estimates ± 2 S.E.
0
2
4
6
8
10
12
1992 1994 1996 1998 2000 2002
Recursive C(5) Estimates ± 2 S.E.
-4
-2
0
2
4
6
8
1992 1994 1996 1998 2000 2002
Recursive C(6) Estimates ± 2 S.E.
0
50
100
150
200
250
300
1992 1994 1996 1998 2000 2002
Recursive C(7) Estimates ± 2 S.E.
-.08
-.04
.00
.04
.08
1992 1994 1996 1998 2000 2002
Recursive C(8) Estimates ± 2 S.E.
-.04
-.02
.00
.02
.04
.06
.08
.10
1992 1994 1996 1998 2000 2002
Recursive C(9) Estimates ± 2 S.E.
.00
.02
.04
.06
.08
.10
.12
.14
.16
1992 1994 1996 1998 2000 2002
Recursive C(10) Estimates ± 2 S.E.
-.08
-.04
.00
.04
.08
.12
1992 1994 1996 1998 2000 2002
Recursive C(11) Estimates ± 2 S.E.
Eq. 4aDependent Variable: DLOG(IC)Method: Least SquaresDate: 03/08/04 Time: 10:49Sample: 1987:1 2003:4Included observations: 68
Variable Coefficient Std. Error t-Statistic Prob.
DLOG(IC(-1)) -0.269203 0.087299 -3.083679 0.0031DLOG(IC(-4)) 0.355359 0.090099 3.944089 0.0002DLOG(YGDPK(-1)) -2.592426 0.848053 -3.056915 0.0034DLOG(YGDPK(-10)) 1.802591 0.851639 2.116613 0.0387D(RATIO(-2)) 3.05036 0.787935 3.871335 0.0003D(RATIO(-10)) 1.512282 0.746806 2.025001 0.0476D(DLOG(POP(-3))) 104.597 22.23047 4.705118 0D(RMCM5) -0.026702 0.011106 -2.404343 0.0195D(RMCM5(-1)) 0.041403 0.011989 3.45351 0.0011D(RMCM5(-3)) 0.037339 0.011108 3.361518 0.0014D(RMCM5(-5)) 0.043318 0.01182 3.664747 0.0005
R-squared 0.643053 Mean dependent var 0.021298Adjusted R-squared 0.580431 S.D. dependent var 0.076627S.E. of regression 0.049635 Akaike info criterion -3.021187Sum squared resid 0.140424 Schwarz criterion -2.662149Log likelihood 113.7204 Durbin-Watson stat 2.045278
.00
.05
.10
.15 -.2
-.1
.0
.1
.2
1990 1992 1994 1996 1998 2000 2002
N-Step Probability Recursive Residuals
32
0
2
4
6
8
10
12
14
16
-0.1 0.0 0.1 0.2
Series: ResidualsSample 1987:1 2003:4Observations 68
Mean 0.005117Median 0.004422Maximum 0.206802Minimum -0.123358Std. Dev. 0.052562Skewness 0.501168Kurtosis 4.906388
Jarque-Bera 13.14381Probability 0.001399
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1990 1992 1994 1996 1998 2000 2002
CUSUM of Squares 5% Significance
-.8
-.6
-.4
-.2
.0
.2
1992 1994 1996 1998 2000 2002
Recursive C(1) Estimates ± 2 S.E.
-1
0
1
2
3
4
1992 1994 1996 1998 2000 2002
Recursive C(2) Estimates ± 2 S.E.
-80
-70
-60
-50
-40
-30
-20
-10
0
1992 1994 1996 1998 2000 2002
Recursive C(3) Estimates ± 2 S.E.
-10
-5
0
5
10
15
20
25
30
1992 1994 1996 1998 2000 2002
Recursive C(4) Estimates ± 2 S.E.
-10
0
10
20
30
40
50
1992 1994 1996 1998 2000 2002
Recursive C(5) Estimates ± 2 S.E.
-200
-100
0
100
200
300
400
1992 1994 1996 1998 2000 2002
Recursive C(6) Estimates ± 2 S.E.
-.10
-.05
.00
.05
.10
1992 1994 1996 1998 2000 2002
Recursive C(7) Estimates ± 2 S.E.
-.20
-.15
-.10
-.05
.00
.05
.10
.15
1992 1994 1996 1998 2000 2002
Recursive C(8) Estimates ± 2 S.E.
Eq. 5aDependent Variable: DLOG(IC)Method: Least SquaresDate: 03/08/04 Time: 10:49Sample: 1987:1 2003:4Included observations: 68
Variable Coefficient Std. Error t-Statistic Prob.
DLOG(IC(-1)) -0.185952 0.091374 -2.035076 0.0463DLOG(IC(-4)) 0.365946 0.099556 3.675792 0.0005D(EP) -9.374982 2.653763 -3.532712 0.0008D(EP(-7)) 4.840587 2.673638 1.810487 0.0752D(RATIO_CONS(-2)) 8.461695 2.189536 3.864607 0.0003D(DLOG(POP(-3))) 108.2407 23.95682 4.518157 0D(RMCM5(-1)) 0.024896 0.014064 1.770178 0.0818D(RMCM5(-5)) 0.022616 0.012548 1.802454 0.0765
R-squared 0.524955 Mean dependent var 0.021298Adjusted R-squared 0.469533 S.D. dependent var 0.076627S.E. of regression 0.05581 Akaike info criterion -2.8236Sum squared resid 0.186885 Schwarz criterion -2.562481Log likelihood 104.0024 Durbin-Watson stat 1.835032
.00
.05
.10
.15
-.2
-.1
.0
.1
.2
1990 1992 1994 1996 1998 2000 2002
N-Step Probability Recursive Residuals
33
0
2
4
6
8
10
-0.10 -0.05 0.00 0.05 0.10 0.15
Series: ResidualsSample 1987:1 2003:4Observations 68
Mean 0.001042Median -0.000577Maximum 0.140265Minimum -0.110299Std. Dev. 0.050951Skewness 0.018202Kurtosis 2.723211
Jarque-Bera 0.220822Probability 0.895466
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1990 1992 1994 1996 1998 2000 2002
CUSUM of Squares 5% Significance
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
0.2
1992 1994 1996 1998 2000 2002
Recursive C(1) Estimates ± 2 S.E.
-0.8
-0.4
0.0
0.4
0.8
1.2
1992 1994 1996 1998 2000 2002
Recursive C(2) Estimates ± 2 S.E.
-50
-40
-30
-20
-10
0
10
1992 1994 1996 1998 2000 2002
Recursive C(3) Estimates ± 2 S.E.
-2
0
2
4
6
8
10
12
14
1992 1994 1996 1998 2000 2002
Recursive C(4) Estimates ± 2 S.E.
-100
0
100
200
300
400
1992 1994 1996 1998 2000 2002
Recursive C(5) Estimates ± 2 S.E.
-.04
.00
.04
.08
.12
.16
.20
.24
.28
.32
1992 1994 1996 1998 2000 2002
Recursive C(6) Estimates ± 2 S.E.
-.2
-.1
.0
.1
.2
.3
1992 1994 1996 1998 2000 2002
Recursive C(7) Estimates ± 2 S.E.
-.3
-.2
-.1
.0
.1
.2
1992 1994 1996 1998 2000 2002
Recursive C(8) Estimates ± 2 S.E.
Eq. 6aDependent Variable: DLOG(IC)Method: Least SquaresDate: 03/08/04 Time: 10:49Sample: 1987:1 2003:4Included observations: 68
Variable Coefficient Std. Error t-Statistic Prob.
DLOG(IC(-1)) -0.247731 0.091074 -2.720116 0.0085DLOG(IC(-4)) 0.350348 0.09506 3.685548 0.0005D(EP(-2)) -5.089526 2.942468 -1.729679 0.0888D(RATIO(-2)) 3.324819 0.711793 4.671049 0D(DLOG(POP(-3))) 84.93302 23.55611 3.605562 0.0006D(DEBTSERV(-1)) 0.05972 0.030415 1.963491 0.0542D(DEBTSERV(-3)) 0.065123 0.027215 2.392879 0.0199D(DEBTSERV(-4)) 0.051463 0.025909 1.986339 0.0516
R-squared 0.557696 Mean dependent var 0.021298Adjusted R-squared 0.506094 S.D. dependent var 0.076627S.E. of regression 0.053852 Akaike info criterion -2.895013Sum squared resid 0.174004 Schwarz criterion -2.633894Log likelihood 106.4304 Durbin-Watson stat 2.026523
.00
.05
.10
.15 -.2
-.1
.0
.1
.2
1990 1992 1994 1996 1998 2000 2002
N-Step Probability Recursive Residuals
34
0
2
4
6
8
10
-0.10 -0.05 0.00 0.05 0.10 0.15
Series: ResidualsSample 1987:1 2003:4Observations 68
Mean -0.000583Median -0.001846Maximum 0.150825Minimum -0.107658Std. Dev. 0.051184Skewness 0.308276Kurtosis 3.051851
Jarque-Bera 1.084673Probability 0.581388
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1990 1992 1994 1996 1998 2000 2002
CUSUM of Squares 5% Significance
-.8
-.6
-.4
-.2
.0
.2
1992 1994 1996 1998 2000 2002
Recursive C(1) Estimates ± 2 S.E.
-0.8
-0.4
0.0
0.4
0.8
1.2
1992 1994 1996 1998 2000 2002
Recursive C(2) Estimates ± 2 S.E.
-50
-40
-30
-20
-10
0
10
1992 1994 1996 1998 2000 2002
Recursive C(3) Estimates ± 2 S.E.
-4
0
4
8
12
16
1992 1994 1996 1998 2000 2002
Recursive C(4) Estimates ± 2 S.E.
-100
0
100
200
300
400
1992 1994 1996 1998 2000 2002
Recursive C(5) Estimates ± 2 S.E.
-.2
-.1
.0
.1
.2
.3
.4
.5
.6
1992 1994 1996 1998 2000 2002
Recursive C(6) Estimates ± 2 S.E.
-.2
-.1
.0
.1
.2
.3
.4
1992 1994 1996 1998 2000 2002
Recursive C(7) Estimates ± 2 S.E.
-.5
-.4
-.3
-.2
-.1
.0
.1
.2
.3
1992 1994 1996 1998 2000 2002
Recursive C(8) Estimates ± 2 S.E.
-.3
-.2
-.1
.0
.1
.2
.3
1992 1994 1996 1998 2000 2002
Recursive C(9) Estimates ± 2 S.E.
Eq. 7aDependent Variable: DLOG(IC)Method: Least SquaresDate: 03/08/04 Time: 10:49Sample: 1987:1 2003:4Included observations: 68
Variable Coefficient Std. Error t-Statistic Prob.
DLOG(IC(-1)) -0.230035 0.092022 -2.499783 0.0152DLOG(IC(-4)) 0.347086 0.098879 3.510216 0.0009D(EP(-2)) -6.274345 3.121352 -2.010137 0.049D(RATIO(-2)) 3.228368 0.728869 4.429284 0D(DLOG(POP(-3))) 101.2601 26.52411 3.817664 0.0003D(DEBTSERV_CONS(-1)) 0.075265 0.044041 1.708997 0.0927D(DEBTSERV_CONS(-3)) 0.066826 0.036494 1.831159 0.0721D(DEBTSERV_CONS(-4)) 0.072087 0.037291 1.933102 0.058D(DEBTSERV_CONS(-5)) 0.069059 0.038333 1.801571 0.0767
R-squared 0.553767 Mean dependent var 0.021298Adjusted R-squared 0.493261 S.D. dependent var 0.076627S.E. of regression 0.054547 Akaike info criterion -2.856757Sum squared resid 0.17555 Schwarz criterion -2.562998Log likelihood 106.1297 Durbin-Watson stat 1.975933
.00
.05
.10
.15 -.2
-.1
.0
.1
.2
1990 1992 1994 1996 1998 2000 2002
N-Step Probability Recursive Residuals
35
0
4
8
12
16
20
-0.1 0.0 0.1
Series: ResidualsSample 1987:1 2003:4Observations 68
Mean 6.73E-18Median 0.002827Maximum 0.147604Minimum -0.173749Std. Dev. 0.051200Skewness -0.544001Kurtosis 5.104987
Jarque-Bera 15.90837Probability 0.000351
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1990 1992 1994 1996 1998 2000 2002
CUSUM of Squares 5% Significance
-1.2
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
1992 1994 1996 1998 2000 2002
Recursive C(1) Estimates ± 2 S.E.
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1992 1994 1996 1998 2000 2002
Recursive C(2) Estimates ± 2 S.E.
-0.8
-0.4
0.0
0.4
0.8
1.2
1.6
1992 1994 1996 1998 2000 2002
Recursive C(3) Estimates ± 2 S.E.
-12
-10
-8
-6
-4
-2
0
2
1992 1994 1996 1998 2000 2002
Recursive C(4) Estimates ± 2 S.E.
-4
-2
0
2
4
6
8
10
12
1992 1994 1996 1998 2000 2002
Recursive C(5) Estimates ± 2 S.E.
-.04
-.02
.00
.02
.04
.06
.08
.10
1992 1994 1996 1998 2000 2002
Recursive C(6) Estimates ± 2 S.E.
-.04
-.02
.00
.02
.04
.06
.08
1992 1994 1996 1998 2000 2002
Recursive C(7) Estimates ± 2 S.E.
-1.6
-1.2
-0.8
-0.4
0.0
0.4
1992 1994 1996 1998 2000 2002
Recursive C(8) Estimates ± 2 S.E.
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1992 1994 1996 1998 2000 2002
Recursive C(9) Estimates ± 2 S.E.
-.10
-.05
.00
.05
.10
.15
.20
.25
1992 1994 1996 1998 2000 2002
Recursive C(10) Estimates ± 2 S.E.
-.15
-.10
-.05
.00
.05
.10
1992 1994 1996 1998 2000 2002
Recursive C(11) Estimates ± 2 S.E.
-.20
-.16
-.12
-.08
-.04
.00
.04
.08
.12
1992 1994 1996 1998 2000 2002
Recursive C(12) Estimates ± 2 S.E.
-.08
-.04
.00
.04
.08
.12
.16
.20
1992 1994 1996 1998 2000 2002
Recursive C(13) Estimates ± 2 S.E.
Eq. 1bDependent Variable: DLOG(IE)Method: Least SquaresDate: 03/08/04 Time: 10:49Sample: 1987:1 2003:4Included observations: 68
Variable Coefficient Std. Error t-Statistic Prob.
DLOG(IE(-1)) -0.428034 0.108473 -3.945979 0.0002DLOG(IE(-8)) 0.281465 0.123202 2.284573 0.0262DLOG(IE(-9)) 0.240283 0.138091 1.740029 0.0874DLOG(GDP) -4.114326 1.274234 -3.228863 0.0021DLOG(GDP(-9)) 3.595418 1.16811 3.077978 0.0032D(RCP90(-2)) 0.016623 0.009919 1.675911 0.0994D(RCP90(-4)) 0.019247 0.00907 2.121993 0.0384DLOG(PROFITS(-2)) -0.194925 0.111461 -1.748817 0.0859DLOG(PROFITS(-4)) 0.359399 0.110271 3.259221 0.0019@SEAS(1) 0.061897 0.030314 2.041877 0.046@SEAS(2) -0.024432 0.021289 -1.147646 0.2561@SEAS(3) -0.076699 0.021239 -3.611197 0.0007@SEAS(4) 0.058714 0.024881 2.359772 0.0219
R-squared 0.777057 Mean dependent var 0.001999Adjusted R-squared 0.728415 S.D. dependent var 0.108436S.E. of regression 0.05651 Akaike info criterion -2.738615Sum squared resid 0.175637 Schwarz criterion -2.314297Log likelihood 106.1129 Durbin-Watson stat 1.927904
.00
.05
.10
.15
-.2
-.1
.0
.1
.2
1990 1992 1994 1996 1998 2000 2002
N-Step Probability Recursive Residuals
36
0
2
4
6
8
10
-0.15 -0.10 -0.05 0.00 0.05 0.10
Series: ResidualsSample 1987:1 2003:4Observations 68
Mean 0.001038Median 6.54E-06Maximum 0.111911Minimum -0.161136Std. Dev. 0.053080Skewness -0.323629Kurtosis 3.377781
Jarque-Bera 1.591374Probability 0.451271
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1990 1992 1994 1996 1998 2000 2002
CUSUM of Squares 5% Significance
-1.2
-1.0
-0.8
-0.6
-0.4
-0.2
1992 1994 1996 1998 2000 2002
Recursive C(1) Estimates ± 2 S.E.
-.4
-.2
.0
.2
.4
.6
.8
1992 1994 1996 1998 2000 2002
Recursive C(2) Estimates ± 2 S.E.
-.2
-.1
.0
.1
.2
.3
.4
.5
.6
.7
1992 1994 1996 1998 2000 2002
Recursive C(3) Estimates ± 2 S.E.
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1992 1994 1996 1998 2000 2002
Recursive C(4) Estimates ± 2 S.E.
-0.8
-0.4
0.0
0.4
0.8
1.2
1992 1994 1996 1998 2000 2002
Recursive C(5) Estimates ± 2 S.E.
-12
-8
-4
0
4
8
12
1992 1994 1996 1998 2000 2002
Recursive C(6) Estimates ± 2 S.E.
-8
-4
0
4
8
12
1992 1994 1996 1998 2000 2002
Recursive C(7) Estimates ± 2 S.E.
-.02
.00
.02
.04
.06
.08
.10
.12
.14
1992 1994 1996 1998 2000 2002
Recursive C(8) Estimates ± 2 S.E.
-.04
-.02
.00
.02
.04
.06
.08
1992 1994 1996 1998 2000 2002
Recursive C(9) Estimates ± 2 S.E.
-.04
-.02
.00
.02
.04
.06
.08
.10
.12
1992 1994 1996 1998 2000 2002
Recursive C(10) Estimates ± 2 S.E.
-1.6
-1.2
-0.8
-0.4
0.0
0.4
1992 1994 1996 1998 2000 2002
Recursive C(11) Estimates ± 2 S.E.
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1992 1994 1996 1998 2000 2002
Recursive C(12) Estimates ± 2 S.E.
Eq. 2bDependent Variable: DLOG(IE)Method: Least SquaresDate: 03/08/04 Time: 10:49Sample: 1987:1 2003:4Included observations: 68
Variable Coefficient Std. Error t-Statistic Prob.
DLOG(IE(-1)) -0.506578 0.094996 -5.332598 0DLOG(IE(-4)) 0.304331 0.090277 3.371083 0.0014DLOG(IE(-5)) 0.249042 0.090743 2.744477 0.0081DLOG(IE(-8)) 0.575821 0.090184 6.384992 0DLOG(IE(-9)) 0.281897 0.117196 2.405346 0.0195DLOG(GDP(-7)) -3.842101 1.227738 -3.129413 0.0028DLOG(GDP(-9)) 4.430942 1.131847 3.91479 0.0002D(RCP90(-2)) 0.041948 0.009909 4.233265 0.0001D(RCP90(-4)) 0.034311 0.009343 3.672202 0.0005D(RCP90(-6)) 0.031568 0.010403 3.034418 0.0037DLOG(PROFITS(-2)) -0.248642 0.110079 -2.258758 0.0278DLOG(PROFITS(-4)) 0.464632 0.10708 4.339097 0.0001
R-squared 0.760296 Mean dependent var 0.001999Adjusted R-squared 0.713211 S.D. dependent var 0.108436S.E. of regression 0.05807 Akaike info criterion -2.695536Sum squared resid 0.188842 Schwarz criterion -2.303858Log likelihood 103.6482 Durbin-Watson stat 2.085574
.00
.05
.10
.15
-.2
-.1
.0
.1
.2
1990 1992 1994 1996 1998 2000 2002
N-Step Probability Recursive Residuals
37
0
2
4
6
8
10
12
14
16
-0.2 -0.1 0.0 0.1
Series: ResidualsSample 1987:1 2003:4Observations 68
Mean 0.002121Median 0.003082Maximum 0.126149Minimum -0.176651Std. Dev. 0.056695Skewness -0.271161Kurtosis 3.571770
Jarque-Bera 1.759593Probability 0.414867
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1990 1992 1994 1996 1998 2000 2002
CUSUM of Squares 5% Significance
-1.4
-1.2
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
1992 1994 1996 1998 2000 2002
Recursive C(1) Estimates ± 2 S.E.
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1992 1994 1996 1998 2000 2002
Recursive C(2) Estimates ± 2 S.E.
-.4
-.2
.0
.2
.4
.6
.8
1992 1994 1996 1998 2000 2002
Recursive C(3) Estimates ± 2 S.E.
0.0
0.4
0.8
1.2
1.6
2.0
1992 1994 1996 1998 2000 2002
Recursive C(4) Estimates ± 2 S.E.
-0.8
-0.4
0.0
0.4
0.8
1.2
1.6
1992 1994 1996 1998 2000 2002
Recursive C(5) Estimates ± 2 S.E.
-12
-8
-4
0
4
8
1992 1994 1996 1998 2000 2002
Recursive C(6) Estimates ± 2 S.E.
-4
-2
0
2
4
6
8
10
1992 1994 1996 1998 2000 2002
Recursive C(7) Estimates ± 2 S.E.
-.04
.00
.04
.08
.12
.16
.20
1992 1994 1996 1998 2000 2002
Recursive C(8) Estimates ± 2 S.E.
-.04
.00
.04
.08
.12
.16
1992 1994 1996 1998 2000 2002
Recursive C(9) Estimates ± 2 S.E.
-.02
.00
.02
.04
.06
.08
.10
.12
.14
1992 1994 1996 1998 2000 2002
Recursive C(10) Estimates ± 2 S.E.
-0.4
0.0
0.4
0.8
1.2
1.6
1992 1994 1996 1998 2000 2002
Recursive C(11) Estimates ± 2 S.E.
Eq. 3bDependent Variable: DLOG(IE)Method: Least SquaresDate: 03/08/04 Time: 10:49Sample: 1987:1 2003:4Included observations: 68
Variable Coefficient Std. Error t-Statistic Prob.
DLOG(IE(-1)) -0.490426 0.100359 -4.886701 0DLOG(IE(-4)) 0.303709 0.093902 3.234325 0.002DLOG(IE(-5)) 0.231637 0.098063 2.362122 0.0216DLOG(IE(-8)) 0.584897 0.095091 6.150893 0DLOG(IE(-9)) 0.342266 0.126091 2.71444 0.0088DLOG(YGDPK(-5)) -3.221524 1.117462 -2.882893 0.0055DLOG(YGDPK(-9)) 3.074692 0.986572 3.116541 0.0029D(RCP90(-2)) 0.041464 0.010463 3.96302 0.0002D(RCP90(-4)) 0.040008 0.010223 3.913419 0.0002D(RCP90(-6)) 0.028934 0.009942 2.910301 0.0051DLOG(PROFITS(-4)) 0.47273 0.117351 4.028362 0.0002
R-squared 0.726246 Mean dependent var 0.001999Adjusted R-squared 0.678219 S.D. dependent var 0.108436S.E. of regression 0.061511 Akaike info criterion -2.592124Sum squared resid 0.215666 Schwarz criterion -2.233086Log likelihood 99.13222 Durbin-Watson stat 2.108618
.00
.05
.10
.15
-.3
-.2
-.1
.0
.1
.2
.3
1990 1992 1994 1996 1998 2000 2002
N-Step Probability Recursive Residuals
38
0
1
2
3
4
5
6
7
8
9
-0.15 -0.10 -0.05 0.00 0.05 0.10
Series: ResidualsSample 1987:1 2003:4Observations 68
Mean 7.35E-18Median 0.002842Maximum 0.114808Minimum -0.151875Std. Dev. 0.049783Skewness -0.459269Kurtosis 3.919468
Jarque-Bera 4.785883Probability 0.091361
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1992 1994 1996 1998 2000 2002
CUSUM of Squares 5% Significance
-1.4
-1.2
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
1992 1994 1996 1998 2000 2002
Recursive C(1) Estimates ± 2 S.E.
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1992 1994 1996 1998 2000 2002
Recursive C(2) Estimates ± 2 S.E.
-0.4
0.0
0.4
0.8
1.2
1.6
1992 1994 1996 1998 2000 2002
Recursive C(3) Estimates ± 2 S.E.
-12
-10
-8
-6
-4
-2
0
2
1992 1994 1996 1998 2000 2002
Recursive C(4) Estimates ± 2 S.E.
-20
-15
-10
-5
0
5
10
1992 1994 1996 1998 2000 2002
Recursive C(5) Estimates ± 2 S.E.
-8
-4
0
4
8
12
1992 1994 1996 1998 2000 2002
Recursive C(6) Estimates ± 2 S.E.
-.04
-.02
.00
.02
.04
.06
.08
.10
.12
1992 1994 1996 1998 2000 2002
Recursive C(7) Estimates ± 2 S.E.
-.05
.00
.05
.10
.15
1992 1994 1996 1998 2000 2002
Recursive C(8) Estimates ± 2 S.E.
-.02
.00
.02
.04
.06
.08
.10
1992 1994 1996 1998 2000 2002
Recursive C(9) Estimates ± 2 S.E.
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1992 1994 1996 1998 2000 2002
Recursive C(10) Estimates ± 2 S.E.
-.05
.00
.05
.10
.15
.20
.25
.30
1992 1994 1996 1998 2000 2002
Recursive C(11) Estimates ± 2 S.E.
-.2
-.1
.0
.1
.2
.3
1992 1994 1996 1998 2000 2002
Recursive C(12) Estimates ± 2 S.E.
-.20
-.15
-.10
-.05
.00
.05
.10
.15
1992 1994 1996 1998 2000 2002
Recursive C(13) Estimates ± 2 S.E.
-.04
.00
.04
.08
.12
.16
.20
.24
.28
1992 1994 1996 1998 2000 2002
Recursive C(14) Estimates ± 2 S.E.
Eq. 4bDependent Variable: DLOG(IE)Method: Least SquaresDate: 03/08/04 Time: 10:49Sample: 1987:1 2003:4Included observations: 68
Variable Coefficient Std. Error t-Statistic Prob.
DLOG(IE(-1)) -0.424449 0.107565 -3.945968 0.0002DLOG(IE(-8)) 0.265892 0.125694 2.11539 0.039DLOG(IE(-9)) 0.283407 0.142631 1.986988 0.052DLOG(YGDPK) -3.401328 1.163863 -2.922445 0.0051DLOG(YGDPK(-5)) -3.935584 1.430855 -2.750512 0.0081DLOG(YGDPK(-9)) 2.444587 1.078345 2.26698 0.0274D(RCP90(-2)) 0.025354 0.010299 2.461883 0.017D(RCP90(-4)) 0.034393 0.011147 3.085375 0.0032D(RCP90(-6)) 0.028847 0.009359 3.0823 0.0032DLOG(PROFITS(-4)) 0.428955 0.112263 3.820993 0.0003@SEAS(1) 0.09524 0.03076 3.09622 0.0031@SEAS(2) 0.008157 0.022858 0.356844 0.7226@SEAS(3) -0.051178 0.022882 -2.236583 0.0295@SEAS(4) 0.096157 0.02635 3.649138 0.0006
R-squared 0.789228 Mean dependent var 0.001999Adjusted R-squared 0.738486 S.D. dependent var 0.108436S.E. of regression 0.055452 Akaike info criterion -2.765339Sum squared resid 0.166049 Schwarz criterion -2.308382Log likelihood 108.0215 Durbin-Watson stat 2.28172
.00
.05
.10
.15 -.3
-.2
-.1
.0
.1
.2
.3
1992 1994 1996 1998 2000 2002
N-Step Probability Recursive Residuals
39
0
1
2
3
4
5
6
7
8
-0.15 -0.10 -0.05 0.00 0.05 0.10
Series: ResidualsSample 1987:1 2003:4Observations 68
Mean 0.001918Median 0.000836Maximum 0.117138Minimum -0.158348Std. Dev. 0.053901Skewness -0.283116Kurtosis 3.338116
Jarque-Bera 1.232335Probability 0.540010
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1990 1992 1994 1996 1998 2000 2002
CUSUM of Squares 5% Significance
-1.1
-1.0
-0.9
-0.8
-0.7
-0.6
-0.5
-0.4
-0.3
-0.2
1992 1994 1996 1998 2000 2002
Recursive C(1) Estimates ± 2 S.E.
-.4
-.2
.0
.2
.4
.6
.8
1992 1994 1996 1998 2000 2002
Recursive C(2) Estimates ± 2 S.E.
-.2
-.1
.0
.1
.2
.3
.4
.5
.6
.7
1992 1994 1996 1998 2000 2002
Recursive C(3) Estimates ± 2 S.E.
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1992 1994 1996 1998 2000 2002
Recursive C(4) Estimates ± 2 S.E.
-0.8
-0.4
0.0
0.4
0.8
1.2
1992 1994 1996 1998 2000 2002
Recursive C(5) Estimates ± 2 S.E.
-16
-12
-8
-4
0
4
8
1992 1994 1996 1998 2000 2002
Recursive C(6) Estimates ± 2 S.E.
-4
-2
0
2
4
6
8
10
12
1992 1994 1996 1998 2000 2002
Recursive C(7) Estimates ± 2 S.E.
-.02
.00
.02
.04
.06
.08
.10
.12
1992 1994 1996 1998 2000 2002
Recursive C(8) Estimates ± 2 S.E.
-.04
-.02
.00
.02
.04
.06
.08
1992 1994 1996 1998 2000 2002
Recursive C(9) Estimates ± 2 S.E.
-.02
.00
.02
.04
.06
.08
.10
.12
1992 1994 1996 1998 2000 2002
Recursive C(10) Estimates ± 2 S.E.
-20
-16
-12
-8
-4
0
4
1992 1994 1996 1998 2000 2002
Recursive C(11) Estimates ± 2 S.E.
-2
0
2
4
6
8
10
12
14
1992 1994 1996 1998 2000 2002
Recursive C(12) Estimates ± 2 S.E.
Eq. 5bDependent Variable: DLOG(IE)Method: Least SquaresDate: 03/08/04 Time: 10:49Sample: 1987:1 2003:4Included observations: 68
Variable Coefficient Std. Error t-Statistic Prob.
DLOG(IE(-1)) -0.480242 0.095845 -5.010627 0DLOG(IE(-4)) 0.316176 0.090852 3.480099 0.001DLOG(IE(-5)) 0.255898 0.09204 2.780303 0.0074DLOG(IE(-8)) 0.542682 0.091688 5.918768 0DLOG(IE(-9)) 0.256171 0.118824 2.155888 0.0354DLOG(GDP(-7)) -3.833692 1.223935 -3.132268 0.0028DLOG(GDP(-9)) 4.672345 1.161724 4.021906 0.0002D(RCP90(-2)) 0.043127 0.010018 4.305072 0.0001D(RCP90(-4)) 0.03417 0.009535 3.583664 0.0007D(RCP90(-6)) 0.03157 0.010409 3.032814 0.0037D(CPNGDP(-2)) -2.768915 1.311107 -2.111891 0.0392D(CPNGDP(-4)) 5.179724 1.27423 4.064985 0.0002
R-squared 0.752595 Mean dependent var 0.001999Adjusted R-squared 0.703998 S.D. dependent var 0.108436S.E. of regression 0.058996 Akaike info criterion -2.663916Sum squared resid 0.194908 Schwarz criterion -2.272238Log likelihood 102.5731 Durbin-Watson stat 2.064815
.00
.05
.10
.15
-.2
-.1
.0
.1
.2
1990 1992 1994 1996 1998 2000 2002
N-Step Probability Recursive Residuals
40
0
4
8
12
16
20
-0.1 0.0 0.1
Series: ResidualsSample 1987:1 2003:4Observations 68
Mean 0.003927Median 0.004303Maximum 0.172037Minimum -0.166736Std. Dev. 0.062872Skewness 0.027771Kurtosis 3.448839
Jarque-Bera 0.579534Probability 0.748438
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1990 1992 1994 1996 1998 2000 2002
CUSUM of Squares 5% Significance
-1.4
-1.2
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
1992 1994 1996 1998 2000 2002
Recursive C(1) Estimates ± 2 S.E.
0.0
0.4
0.8
1.2
1.6
2.0
1992 1994 1996 1998 2000 2002
Recursive C(2) Estimates ± 2 S.E.
-0.4
0.0
0.4
0.8
1.2
1.6
2.0
1992 1994 1996 1998 2000 2002
Recursive C(3) Estimates ± 2 S.E.
-12
-8
-4
0
4
8
1992 1994 1996 1998 2000 2002
Recursive C(4) Estimates ± 2 S.E.
-4
-2
0
2
4
6
8
10
12
1992 1994 1996 1998 2000 2002
Recursive C(5) Estimates ± 2 S.E.
-.04
.00
.04
.08
.12
.16
.20
1992 1994 1996 1998 2000 2002
Recursive C(6) Estimates ± 2 S.E.
-.04
.00
.04
.08
.12
.16
1992 1994 1996 1998 2000 2002
Recursive C(7) Estimates ± 2 S.E.
.00
.02
.04
.06
.08
.10
.12
.14
1992 1994 1996 1998 2000 2002
Recursive C(8) Estimates ± 2 S.E.
-4
0
4
8
12
16
1992 1994 1996 1998 2000 2002
Recursive C(9) Estimates ± 2 S.E.
Eq. 6bDependent Variable: DLOG(IE)Method: Least SquaresDate: 03/08/04 Time: 10:49Sample: 1987:1 2003:4Included observations: 68
Variable Coefficient Std. Error t-Statistic Prob.
DLOG(IE(-1)) -0.472282 0.105914 -4.459113 0DLOG(IE(-8)) 0.76963 0.082066 9.378195 0DLOG(IE(-9)) 0.528965 0.118066 4.480233 0DLOG(YGDPK(-5)) -3.450687 1.158246 -2.979236 0.0042DLOG(YGDPK(-9)) 4.027236 1.06643 3.776371 0.0004D(RCP90(-2)) 0.042096 0.01126 3.73865 0.0004D(RCP90(-4)) 0.046532 0.010862 4.283922 0.0001D(RCP90(-6)) 0.038024 0.010466 3.6331 0.0006D(CPNGDP(-4)) 5.203402 1.473038 3.532428 0.0008
R-squared 0.662493 Mean dependent var 0.001999Adjusted R-squared 0.616729 S.D. dependent var 0.108436S.E. of regression 0.067132 Akaike info criterion -2.441591Sum squared resid 0.265892 Schwarz criterion -2.147833Log likelihood 92.01409 Durbin-Watson stat 2.104418
.00
.05
.10
.15 -.3
-.2
-.1
.0
.1
.2
.3
1990 1992 1994 1996 1998 2000 2002
N-Step Probability Recursive Residuals
41
0
1
2
3
4
5
6
7
-0.15 -0.10 -0.05 0.00 0.05 0.10
Series: ResidualsSample 1987:1 2003:4Observations 68
Mean 0.001415Median 0.005402Maximum 0.113811Minimum -0.152361Std. Dev. 0.054304Skewness -0.355651Kurtosis 2.834425
Jarque-Bera 1.511200Probability 0.469729
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1990 1992 1994 1996 1998 2000 2002
CUSUM of Squares 5% Significance
-.9
-.8
-.7
-.6
-.5
-.4
-.3
-.2
1992 1994 1996 1998 2000 2002
Recursive C(1) Estimates ± 2 S.E.
-1.6
-1.4
-1.2
-1.0
-0.8
-0.6
-0.4
1992 1994 1996 1998 2000 2002
Recursive C(2) Estimates ± 2 S.E.
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1992 1994 1996 1998 2000 2002
Recursive C(3) Estimates ± 2 S.E.
-8
-4
0
4
8
12
1992 1994 1996 1998 2000 2002
Recursive C(4) Estimates ± 2 S.E.
-8
-6
-4
-2
0
2
4
6
8
1992 1994 1996 1998 2000 2002
Recursive C(5) Estimates ± 2 S.E.
-.02
.00
.02
.04
.06
.08
.10
.12
.14
1992 1994 1996 1998 2000 2002
Recursive C(6) Estimates ± 2 S.E.
-.06
-.04
-.02
.00
.02
.04
.06
1992 1994 1996 1998 2000 2002
Recursive C(7) Estimates ± 2 S.E.
-.08
-.04
.00
.04
.08
.12
1992 1994 1996 1998 2000 2002
Recursive C(8) Estimates ± 2 S.E.
-2.0
-1.6
-1.2
-0.8
-0.4
0.0
1992 1994 1996 1998 2000 2002
Recursive C(9) Estimates ± 2 S.E.
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1992 1994 1996 1998 2000 2002
Recursive C(10) Estimates ± 2 S.E.
Eq. 7bDependent Variable: DLOG(IE,1,4)Method: Least SquaresDate: 03/15/04 Time: 15:17Sample: 1987:1 2003:4Included observations: 68
Variable Coefficient Std. Error t-Statistic Prob.
DLOG(IE(-1),1,4) -0.405798 0.07187 -5.646276 0DLOG(IE(-4),1,4) -0.634972 0.081662 -7.775653 0DLOG(IE(-9),1,4) 0.228061 0.09147 2.493283 0.0155DLOG(GDP(-7)) -3.146043 1.247623 -2.521631 0.0145DLOG(GDP(-9)) 3.474229 1.119608 3.103077 0.003D(RCP90(-2)) 0.043999 0.009878 4.454292 0D(RCP90(-4)) 0.030473 0.008811 3.458508 0.001D(RCP90(-6)) 0.028417 0.009853 2.884213 0.0055DLOG(PROFITS(-2)) -0.24536 0.109073 -2.249513 0.0283DLOG(PROFITS(-4)) 0.514175 0.107397 4.787619 0
R-squared 0.74078 Mean dependent var 0.000406Adjusted R-squared 0.700556 S.D. dependent var 0.106696S.E. of regression 0.058385 Akaike info criterion -2.708451Sum squared resid 0.197713 Schwarz criterion -2.382053Log likelihood 102.0873 Durbin-Watson stat 2.27295
.00
.05
.10
.15
-.2
-.1
.0
.1
.2
1990 1992 1994 1996 1998 2000 2002
N-Step Probability Recursive Residuals
42