PRÉLIMINAIRES

I. Note à l’étudiant et guide d’utilisation

Ce manuel n’est pas un recueil de théories, mais un arsenal méthodologique. Sa structure est conçue pour une maîtrise progressive, du concept à l’application sur des données réelles de l’économie congolaise. Chaque chapitre est une étape vers l’autonomie analytique. L’étudiant est invité à répliquer chaque exemple de code fourni en annexe pour transformer la connaissance passive en compétence active, directement valorisable sur le marché du travail en RDC et au-delà.

II. Compétences visées et débouchés en RDC

L’objectif est de former des analystes quantitatifs de haut niveau, capables de répondre aux besoins critiques des institutions congolaises (Banque Centrale du Congo, Ministères, grandes entreprises). Les compétences acquises – prévision de l’inflation, modélisation du risque de crédit, analyse de l’impact des politiques publiques – ouvrent des carrières d’économètre-statisticien, de data scientist pour le secteur financier (banques, microfinance) ou d’analyste stratégique dans le secteur minier et des télécommunications.

III. Prérequis mathématiques et statistiques

Une maîtrise solide de l’algèbre linéaire (opérations matricielles, valeurs propres), du calcul différentiel (optimisation sous contrainte) et des probabilités et statistiques inférentielles (lois de probabilité, tests d’hypothèses, estimation par maximum de vraisemblance) est indispensable. Ce cours ne revient pas sur ces fondamentaux mais les applique de manière intensive. Une familiarité avec un langage de programmation statistique (R ou Python) est un atout majeur.

IV. Installation et configuration de l’environnement de travail (R/Python)

Pour garantir une application pratique immédiate, ce point guide l’installation et la configuration de l’environnement de travail. Il détaille le processus pour R (via RStudio) et Python (via Anaconda/Jupyter), incluant l’installation des bibliothèques essentielles (e.g., forecast, tseries, vars pour R ; statsmodels, pandas, scikit-learn pour Python). L’objectif est de rendre l’étudiant opérationnel dès le premier chapitre pour l’analyse de données concrètes.

PARTIE 1 : FONDEMENTS ET MODÉLISATION DES SÉRIES TEMPORELLES

Chapitre I. Nature et décomposition des séries temporelles

I.1 Concepts fondamentaux et visualisation

Fondamentale à toute analyse prédictive, la série temporelle structure l’information économique en fonction du temps, permettant de suivre l’évolution du cours du cobalt ou la production agricole en RDC. Ce point établit la taxonomie des séries (fréquence, saisonnalité, tendance) et les techniques de visualisation (graphiques séquentiels, saisonniers) pour identifier les premières tendances, cycles et ruptures structurelles, anomalies indispensables à une modélisation pertinente.

I.2 Processus stochastiques, stationnarité et bruit blanc

Conceptuellement, une série temporelle est la réalisation d’un processus stochastique. La maîtrise de cette notion est cruciale pour comprendre la prévisibilité d’une variable. Cette section définit rigoureusement les concepts de stationnarité forte et faible, ainsi que le bruit blanc, qui représente la part purement aléatoire et imprévisible d’un processus. Comprendre ces éléments est la condition sine qua non pour construire des modèles qui ne capturent pas du bruit statistique.

I.3 Tests de stationnarité (racine unitaire)

Face à l’omniprésence des séries non-stationnaires dans l’économie congolaise (inflation, PIB, taux de change), leur diagnostic formel est une étape non négociable. Ce sous-chapitre présente de manière appliquée les tests de Dickey-Fuller Augmenté (ADF) et de Kwiatkowski-Phillips-Schmidt-Shin (KPSS). L’étudiant apprendra à les implémenter et à interpréter leurs résultats pour déterminer la nécessité de différencier une série avant toute tentative de modélisation.

I.4 Décomposition et lissage de séries

Pour isoler les signaux économiques pertinents, la décomposition d’une série en tendance, saisonnalité et résidu est une technique puissante. Nous explorons ici les méthodes de décomposition classique (additive, multiplicative) et des techniques de lissage plus robustes comme les moyennes mobiles et le lissage exponentiel (simple, double, Holt-Winters). Ces outils permettent de nettoyer le signal et de réaliser des prévisions à court terme pour des variables comme les ventes mensuelles d’une PME à Kinshasa.

Chapitre II. Modèles univariés stationnaires (ARMA)

II.1 Processus autorégressifs (AR)

Un processus autorégressif (AR) modélise la valeur actuelle d’une série comme une fonction de ses valeurs passées. Cette structure est typique des phénomènes économiques possédant une inertie, comme le taux d’inflation en RDC. Cette section détaille la spécification d’un modèle AR(p), l’interprétation de ses coefficients et l’analyse de sa fonction d’autocorrélation partielle (PACF) pour identifier l’ordre p optimal du processus.

II.2 Processus à moyennes mobiles (MA)

La modélisation par moyennes mobiles (MA) se concentre sur la persistance des chocs aléatoires passés, essentielle pour comprendre comment un choc sur les prix des importations se propage dans l’économie de la RDC. Cette section détaille l’interprétation de la fonction d’autocorrélation (ACF) pour identifier l’ordre q du modèle MA(q), offrant un outil pour évaluer la durée des impacts exogènes sur des variables comme la production industrielle.

II.3 Modèles ARMA : Spécification et identification

Synthèse des deux approches précédentes, le modèle ARMA(p,q) offre une représentation parcimonieuse de nombreux processus stationnaires. L’enjeu majeur réside dans l’identification correcte des ordres p et q. Ce sous-chapitre fournit une méthodologie rigoureuse basée sur l’analyse conjointe des corrélogrammes (ACF et PACF), permettant à l’analyste de choisir la structure la plus adéquate pour modéliser, par exemple, les variations mensuelles des transactions de mobile money.

II.4 Estimation et validation des modèles ARMA

Une fois un modèle ARMA spécifié, ses paramètres doivent être estimés, typiquement par la méthode du maximum de vraisemblance. Cette section couvre les aspects pratiques de l’estimation et, surtout, les étapes de validation du modèle. L’analyse des résidus (tests de bruit blanc comme Ljung-Box, normalité, homoscédasticité) est présentée comme une étape critique pour s’assurer que le modèle a bien capturé toute la structure dynamique de la série.

Chapitre III. Modèles pour séries non-stationnaires (ARIMA)

III.1 Différenciation et stationnarisation

La plupart des séries macroéconomiques (PIB, investissement) sont non-stationnaires en niveau. Une approche directe avec les modèles ARMA produirait des résultats fallacieux. Ce point expose la technique de la différenciation (d’ordre 1 ou plus) comme outil principal pour rendre une série stationnaire. L’application pratique sur le taux de change CDF/USD montrera comment transformer une série à tendance stochastique (marche aléatoire) en un processus analysable.

III.2 La méthodologie de Box-Jenkins

Formalisant l’ensemble du processus de modélisation, la méthodologie de Box-Jenkins est le standard industriel pour les modèles ARIMA. Elle se décline en trois étapes itératives : identification, estimation et validation. Cette section structure la pensée de l’analyste en un workflow logique et rigoureux, garantissant la robustesse des modèles développés pour la prévision des agrégats économiques clés de la RDC.

III.3 Spécification et estimation des modèles ARIMA(p,d,q)

Le modèle ARIMA(p,d,q) intègre le degré de différenciation d aux composantes AR et MA. Ce sous-chapitre se concentre sur l’art de la spécification : comment choisir p, d, et q de manière conjointe. L’utilisation des critères d’information (AIC, BIC) pour comparer des modèles concurrents est introduite comme une pratique essentielle pour arbitrer entre la complexité du modèle et sa qualité d’ajustement aux données, par exemple pour prévoir les recettes fiscales.

III.4 Prévision avec les modèles ARIMA

L’objectif ultime de la modélisation ARIMA est la prévision. Cette section détaille la mécanique de la prévision “out-of-sample” et la construction des intervalles de confiance. L’étudiant apprendra à générer des prévisions à différents horizons et à évaluer leur performance à l’aide de métriques précises (RMSE, MAE). L’application portera sur la prévision à court terme de l’indice des prix à la consommation de Kinshasa, un enjeu majeur pour la politique monétaire.

Chapitre IV. Modèles saisonniers (SARIMA)

IV.1 Identification de la saisonnalité

Une connaissance approfondie des dynamiques saisonnières est vitale pour analyser des secteurs comme l’agriculture ou le commerce de détail en RDC. Ce point présente les outils graphiques (graphiques saisonniers, boxplots mensuels) et statistiques (analyse de l’ACF aux retards saisonniers) pour détecter et caractériser sans ambiguïté la présence d’une composante saisonnière régulière dans les données, comme les récoltes de maïs dans le Grand Katanga.

IV.2 Le modèle SARIMA : Structure et composantes

Le modèle SARIMA (Seasonal ARIMA) étend le modèle ARIMA en incorporant des composantes autorégressives, de différenciation et de moyennes mobiles au niveau saisonnier. Cette section décortique la notation SARIMA(p,d,q)(P,D,Q)s, en expliquant le rôle de chaque paramètre. L’étudiant comprendra comment le modèle peut simultanément capturer les dynamiques de court terme et les cycles saisonniers d’une série.

IV.3 Estimation et sélection de modèles SARIMA

Face à la complexité accrue des modèles saisonniers, l’estimation des paramètres (p,d,q)(P,D,Q) requiert une méthodologie stricte. Ici, l’accent est mis sur l’analyse croisée des corrélogrammes (ACF/PACF) aux retards non-saisonniers et saisonniers, ainsi que sur l’utilisation intensive des critères d’information (AIC, BIC) pour sélectionner le modèle le plus parcimonieux et performant, par exemple pour modéliser la consommation électrique mensuelle de la SNEL.

IV.4 Applications et prévisions saisonnières en contexte congolais

Ce sous-chapitre est entièrement consacré à des études de cas concrètes. La modélisation et la prévision de la production de café dans les Kivu, des flux de passagers sur le fleuve Congo, ou encore des déclarations de cas de paludisme seront utilisées pour illustrer la puissance des modèles SARIMA. L’accent sera mis sur l’interprétation des résultats pour une prise de décision éclairée par les décideurs publics et privés.

Chapitre V. Introduction aux modèles multivariés (VAR)

V.1 Limites de l’analyse univariée et nécessité du multivarié

L’analyse univariée suppose que le futur d’une série ne dépend que de son propre passé, une hypothèse souvent irréaliste. Les variables économiques (inflation, chômage, production) interagissent. Ce point démontre les limites de l’approche univariée et introduit la nécessité des modèles multivariés, comme les modèles VAR (Vector Autoregressive), pour capturer les interdépendances et les effets de contagion au sein du système économique congolais.

V.2 Spécification et estimation d’un modèle VAR

Un modèle VAR représente chaque variable d’un système comme une fonction linéaire des valeurs passées de toutes les variables du système. Cette section couvre la spécification du modèle, en particulier le choix crucial du nombre de retards à inclure, basé sur des critères d’information multivariés. Les techniques d’estimation, typiquement les Moindres Carrés Ordinaires (MCO) équation par équation, sont présentées de manière pratique.

V.3 Analyse des chocs : Fonctions de réponse impulsionnelle (IRF)

La véritable puissance d’un VAR réside dans l’analyse structurelle. Les fonctions de réponse impulsionnelle (IRF) permettent de tracer l’effet dynamique d’un choc sur une variable (ex: une hausse du prix du pétrole) sur toutes les autres variables du système au cours du temps. Cet outil est fondamental pour les analystes de la Banque Centrale du Congo afin de simuler l’impact d’un choc de politique monétaire sur l’inflation et la croissance.

V.4 Décomposition de la variance de l’erreur de prévision (FEVD)

Complémentaire aux IRF, la décomposition de la variance (FEVD) quantifie la contribution de chaque variable à la variance de l’erreur de prévision des autres variables à différents horizons. Elle permet de répondre à la question : “Quelle part de l’incertitude future sur le taux de change est due aux chocs sur les prix du cuivre ?”. C’est un outil essentiel pour identifier les sources de volatilité et les interdépendances dominantes dans l’économie.

Chapitre VI. Cointégration et modèles à correction d’erreur (VECM)

VI.1 Problématique des régressions fallacieuses

Régresser deux séries non-stationnaires (comme le sont souvent les séries macroéconomiques) l’une sur l’autre peut produire des résultats statistiquement significatifs mais économiquement absurdes, un phénomène connu sous le nom de régression fallacieuse. Ce sous-chapitre illustre ce danger à l’aide de simulations et de données réelles, martelant la nécessité de tester la cointégration avant d’analyser les relations de long terme.

VI.2 Le concept de cointégration : une relation de long terme

Deux ou plusieurs séries non-stationnaires sont dites cointégrées si une combinaison linéaire entre elles est stationnaire. Cela implique l’existence d’une relation d’équilibre stable à long terme qui les relie, même si elles peuvent diverger à court terme. Ce concept est fondamental pour modéliser des relations économiques stables, comme celle entre la consommation et le revenu en RDC, malgré leurs tendances respectives.

VI.3 Tests de cointégration de Johansen

Pour identifier formellement la présence de relations de cointégration dans un système multivarié, le test de Johansen est l’outil de référence. Cette section explique l’intuition derrière le test (basé sur le rang d’une matrice) et détaille son application pratique : le test de la trace et le test de la valeur propre maximale. L’étudiant apprendra à déterminer le nombre de relations de long terme liant un ensemble de variables.

VI.4 Le Modèle Vectoriel à Correction d’Erreur (VECM)

Lorsqu’une cointégration est détectée, le modèle VAR n’est plus approprié. Le VECM est sa reformulation qui distingue explicitement les dynamiques de court terme des ajustements vers l’équilibre de long terme. Le “terme de correction d’erreur” quantifie la vitesse à laquelle les variables retournent à leur relation d’équilibre après un choc. Ce modèle est l’outil par excellence pour analyser et prévoir conjointement les dynamiques de court et long terme des systèmes économiques.

PARTIE 2 : MODÉLISATION AVANCÉE DES DONNÉES DE PANEL ET DES VARIABLES QUALITATIVES

Chapitre IV. Fondamentaux de l’Économétrie des Données de Panel

IV.1 Structure et Avantages des Données Longitudinales

Face à la complexité des phénomènes socio-économiques, les données de panel offrent une richesse informationnelle inégalée en combinant dimensions temporelle et individuelle. Cette section établit la taxonomie des panels (cylindré, rotatif) et démontre leur supériorité pour contrôler l’hétérogénéité inobservée et analyser les dynamiques de changement. L’application se concentrera sur la construction d’une base de données panel pour suivre la performance des coopératives agricoles dans le Nord-Kivu sur plusieurs années.

IV.2 Le Modèle des Moindres Carrés Ordinaires Groupés (Pooled OLS)

En première approche, le modèle Pooled OLS traite les données de panel comme une simple coupe transversale, ignorant la structure longitudinale. Ce sous-chapitre expose la méthodologie de cette estimation et, de manière critique, ses limites fondamentales, notamment le biais de variable omise dû à l’hétérogénéité individuelle. Nous illustrerons ce biais en modélisant le revenu des ménages à Kinshasa sans tenir compte des caractéristiques fixes propres à chaque ménage, démontrant la nécessité de modèles plus robustes.

IV.3 Le Modèle à Effets Fixes (Within)

Pour neutraliser l’hétérogénéité individuelle fixe, le modèle à effets fixes (Fixed Effects) se révèle un outil puissant. Il analyse la variation intra-individuelle pour obtenir des estimateurs convergents. La présentation technique détaillera la transformation “within” et son interprétation. Son application portera sur l’évaluation de l’impact d’une nouvelle politique de santé sur les indicateurs sanitaires de plusieurs zones de santé en RDC, en contrôlant les caractéristiques invariantes de chaque zone.

IV.4 Le Modèle à Effets Aléatoires (Random Effects)

Lorsque les effets individuels inobservés sont supposés non corrélés avec les régresseurs, le modèle à effets aléatoires (Random Effects) offre une alternative plus efficiente. Ce point clarifie les hypothèses sous-jacentes à ce modèle et introduit le test de Hausman comme arbitre crucial entre effets fixes et aléatoires. L’utilité de cette approche sera démontrée par l’analyse des déterminants de l’investissement des PME dans le secteur des services en RDC, en supposant que les spécificités des entreprises sont aléatoires.

Chapitre V. Extensions et Modèles de Panel Dynamiques

V.1 Introduction aux Panels Dynamiques et Problème d’Endogénéité

Une connaissance approfondie des dynamiques économiques requiert l’inclusion de la variable dépendante retardée comme régresseur, créant ainsi un panel dynamique. Ce sous-chapitre formalise le problème d’endogénéité qui en découle, invalidant les estimateurs OLS, à effets fixes ou aléatoires. L’analyse se focalisera sur la modélisation de la persistance de l’inflation dans les grandes villes de RDC, où l’inflation passée influence directement l’inflation présente, illustrant la complexité du problème.

V.2 L’Estimateur en Différences Premières et la Méthode des Variables Instrumentales (GMM)

Dérivée par Arellano et Bond, la méthode des moments généralisés (GMM) en différences premières fournit une solution robuste à l’endogénéité des panels dynamiques. La section expose la logique de l’instrumentation par les retards des variables. La mise en œuvre pratique concernera l’estimation de la vitesse d’ajustement du stock de capital des entreprises minières du Lualaba, un processus intrinsèquement dynamique où les décisions d’investissement passées conditionnent les décisions présentes.

V.3 L’Estimateur GMM en Système d’Arellano-Bover/Blundell-Bond

Face à la faible performance du GMM en différences sur des séries très persistantes, l’estimateur GMM en système améliore l’efficience en ajoutant des équations en niveaux instrumentées par les variables en différences. Ce sous-chapitre détaille cette extension technique et les gains de précision attendus. Son application portera sur l’analyse de la dynamique de la croissance du PIB par habitant des provinces de la RDC, où la persistance est forte et les instruments faibles.

V.4 Traitement des Racines Unitaires et de la Cointégration en Données de Panel

Inhérente aux séries temporelles longues, la non-stationnarité affecte également les données de panel. Cette partie introduit les tests de racine unitaire sur panel (Levin-Lin-Chu, Im-Pesaran-Shin) et les tests de cointégration (Pedroni, Kao) pour analyser les relations de long terme. L’objectif est de tester la validité de la parité de pouvoir d’achat entre la RDC et ses partenaires commerciaux de la SADC en utilisant des données de panel sur les taux de change et les niveaux de prix.

Chapitre VI. Modèles à Variable Dépendante Qualitative Binaire

VI.1 Limites du Modèle de Probabilité Linéaire (MPL)

Face à une variable dépendante binaire (oui/non, succès/échec), l’application naïve des MCO via le Modèle de Probabilité Linéaire (MPL) génère des prédictions incohérentes et une hétéroscédasticité structurelle. Ce sous-chapitre dissèque mathématiquement ces défaillances. L’exemple portera sur la modélisation de l’accès au crédit bancaire pour les entrepreneurs de Matadi, où le MPL pourrait prédire des probabilités négatives ou supérieures à un, démontrant son inadéquation.

VI.2 Le Modèle Logit : Spécification et Estimation par Maximum de Vraisemblance

Fondé sur la fonction de répartition logistique, le modèle Logit contraint les probabilités prédites dans l’intervalle [0,1]. La section détaille sa spécification non-linéaire et le principe de l’estimation par maximum de vraisemblance (EMV). La méthodologie sera appliquée à l’analyse des facteurs déterminant l’adoption d’une nouvelle semence améliorée par les agriculteurs de la plaine de la Ruzizi, un choix binaire par excellence.

VI.3 Le Modèle Probit : Une Alternative Basée sur la Loi Normale

Conceptuellement similaire au Logit, le modèle Probit utilise la fonction de répartition de la loi normale centrée réduite. Ce point compare les deux modèles, leurs hypothèses et les légères différences dans leurs prédictions. L’accent sera mis sur l’interprétation des coefficients et le calcul des effets marginaux. L’application consistera à modéliser la probabilité pour un ménage de Goma de tomber sous le seuil de pauvreté en fonction de chocs économiques.

VI.4 Interprétation des Résultats et Effets Marginaux

Une analyse rigoureuse des modèles Logit et Probit exige de dépasser la simple interprétation du signe des coefficients. Ce sous-chapitre se concentre sur le calcul et l’interprétation des effets marginaux, qui quantifient l’impact d’un changement d’une variable explicative sur la probabilité de l’événement. Nous calculerons l’effet marginal d’une année d’éducation supplémentaire sur la probabilité d’obtenir un emploi formel dans le secteur public à Kinshasa.

Chapitre VII. Modèles pour Variables Dépendantes Qualitatives Multiples

VII.1 Les Modèles Logit Multinomiaux

Au-delà des choix binaires, les modèles Logit multinomiaux permettent d’analyser des variables dépendantes nominales avec plus de deux catégories non ordonnées. Cette section présente le modèle, l’hypothèse de l’Indépendance des Alternatives Non-pertinentes (IIA) et les tests associés. L’étude de cas portera sur le choix du mode de transport (transport en commun, taxi, véhicule personnel) par les travailleurs de Lubumbashi, en fonction du revenu et de la distance au travail.

VII.2 Les Modèles Logit Ordonnés

Lorsque les catégories de la variable dépendante présentent un ordre naturel (ex: faible, moyen, élevé), le modèle Logit ordonné est plus approprié. Ce point technique expose la construction du modèle basé sur une variable latente continue et des seuils. L’application visera à modéliser les déterminants du niveau de satisfaction des usagers vis-à-vis des services de la REGIDESO, où les réponses sont classées sur une échelle de type Likert.

VII.3 Les Modèles Probit Ordonnés

Alternative au Logit ordonné, le modèle Probit ordonné repose sur une hypothèse de normalité de la distribution des erreurs. Ce sous-chapitre compare les deux approches et discute des contextes où l’une pourrait être préférée à l’autre. La méthodologie sera mise en œuvre pour analyser les facteurs influençant le grade de risque de crédit (de AAA à D) attribué aux entreprises congolaises par une agence de notation fictive.

VII.4 Modèles de Choix Discrets Imbriqués (Nested Logit)

Pour contourner la stricte hypothèse IIA du Logit multinomial, le modèle Logit imbriqué structure la décision en une séquence de choix. Cette section avance une vision hiérarchique de la décision, plus réaliste. L’exemple portera sur le choix d’une destination touristique en RDC : l’individu choisit d’abord une province (ex: Kongo Central vs. Tshopo) puis un site spécifique au sein de cette province (ex: Chutes de Zongo vs. Chutes de la Lofoï).

Chapitre VIII. Modèles pour Données de Comptage et Sélection d’Échantillon

VIII.1 Le Modèle de Poisson pour les Données de Comptage

Conçu pour les variables dépendantes qui représentent un nombre d’événements (entiers non négatifs), le modèle de Poisson est fondamental. Ce sous-chapitre présente ses fondements probabilistes et l’hypothèse d’équidispersion (égalité de la moyenne et de la variance). Il sera appliqué à la modélisation du nombre de cas de choléra déclarés par semaine dans une zone de santé du Tanganyika, en fonction des conditions sanitaires et climatiques.

VIII.2 Le Modèle Binomial Négatif face à la Surdispersion

Face à la surdispersion (variance supérieure à la moyenne), fréquente en pratique, le modèle de Poisson est invalide. Le modèle Binomial Négatif offre une généralisation flexible en introduisant un terme d’erreur gamma-distribué. Cette section explique comment tester la surdispersion et estimer ce modèle plus robuste. L’application portera sur le nombre d’actes de piraterie routière sur l’axe Mbuji-Mayi – Kananga, phénomène caractérisé par une forte variabilité.

VIII.3 Le Biais de Sélection et le Modèle de Heckman

Le biais de sélection survient lorsque l’échantillon observé n’est pas représentatif de la population d’intérêt. Le modèle de Heckman en deux étapes corrige ce biais en modélisant explicitement le processus de sélection. La section détaille l’équation de sélection (Probit) et l’équation principale. L’exemple canonique sera l’estimation du salaire des femmes en RDC, en corrigeant le fait que l’on n’observe les salaires que pour celles qui ont décidé de participer au marché du travail.

VIII.4 Modèles Tobit pour Variables Dépendantes Censurées

Lorsque la variable dépendante est censurée (par exemple, des valeurs sont groupées à zéro), les MCO sont biaisés. Le modèle Tobit, via le maximum de vraisemblance, fournit des estimations convergentes. Ce point explique la censure à gauche et à droite. L’application portera sur l’analyse des dépenses des ménages en éducation, où de nombreux ménages rapportent une dépense nulle, non par choix mais par contrainte, créant une censure à zéro.

Chapitre IX. Applications Économétriques Avancées au Contexte Congolais

IX.1 Évaluation d’Impact des Projets de Développement avec Données de Panel

Une évaluation rigoureuse de l’impact des interventions de développement est une priorité pour la RDC. Ce sous-chapitre synthétise l’usage des modèles à effets fixes et de la méthode des doubles différences pour isoler l’effet causal d’un projet. L’étude de cas portera sur l’évaluation de l’impact du Projet de Développement des Pôles de Croissance (PDPC) sur le revenu des agriculteurs dans les zones ciblées, en utilisant des données collectées avant et après l’intervention.

IX.2 Modélisation du Comportement de Vote en RDC avec des Modèles Qualitatifs

Comprendre les déterminants du choix électoral est crucial pour la consolidation démocratique. Ce point applique les modèles Logit multinomiaux pour analyser les données d’enquêtes post-électorales. L’analyse visera à identifier l’influence de l’appartenance ethnique, du niveau d’éducation, du revenu et de la localisation géographique sur le choix du candidat, offrant une lecture quantitative des dynamiques politiques congolaises.

IX.3 Analyse de la Vulnérabilité à l’Insécurité Alimentaire (Panel & Probit)

La lutte contre l’insécurité alimentaire exige une identification précise des ménages vulnérables. Cette section combine les données de panel et les modèles Probit pour modéliser la probabilité qu’un ménage passe sous le seuil de sécurité alimentaire. L’analyse portera sur les données de l’Espace Kasaï, en intégrant des chocs climatiques et sécuritaires pour estimer des probabilités dynamiques de vulnérabilité et informer les systèmes d’alerte précoce.

IX.4 Déterminants de l’Entrée dans le Secteur Informel : une Approche par Modèle de Sélection

Le secteur informel dominant l’économie congolaise, comprendre ses mécanismes est vital. Ce sous-chapitre utilise un modèle de type Heckman pour analyser les déterminants du choix d’opérer dans le secteur informel plutôt que formel, et ensuite, les déterminants du revenu au sein de ce même secteur informel. L’analyse permettra de distinguer les facteurs qui poussent à l’informalité par choix de ceux qui y contraignent par nécessité.

ANNEXES

A. Guide Pratique des Commandes Stata et R pour l’Économétrie Appliquée

Face à la complexité des logiciels statistiques, ce guide fournit une syntaxe commentée pour l’implémentation des modèles étudiés. Il traduit les équations des modèles VAR, VECM, GMM en panel et Logit/Probit en lignes de code directement exécutables. L’objectif est de rendre l’étudiant autonome dans le traitement de données réelles, comme l’analyse de la volatilité du franc congolais ou la modélisation des déterminants de l’investissement direct étranger en RDC, accélérant ainsi la transition de la théorie à l’analyse empirique.

B. Répertoire des Sources de Données Macroéconomiques et Microéconomiques pour la RDC

L’accès à des données fiables constitue le socle de toute analyse économétrique pertinente. Cette annexe recense et qualifie les principales bases de données nationales (BCC, INS-RDC) et internationales (Banque Mondiale, FMI, BAD) couvrant la RDC. Pour chaque source, la nature des données (séries temporelles, enquêtes ménages type 1-2-3, MICS), la fréquence et la période de couverture sont spécifiées, offrant un outil indispensable pour ancrer les projets de recherche dans les réalités économiques et sociales du pays.

C. Rappels d’Algèbre Matricielle et d’Inférence Statistique

Une maîtrise rigoureuse des fondements mathématiques est non-négociable pour l’économètre. Cette section synthétise les concepts essentiels d’algèbre linéaire (valeurs propres, vecteurs propres, décomposition de Cholesky) et de statistique inférentielle (principes du maximum de vraisemblance, tests de spécification) soubassements des modèles avancés. L’enjeu est de dépasser l’utilisation “en boîte noire” des logiciels pour permettre une compréhension profonde des mécanismes d’estimation et de la validité des résultats obtenus.

D. Lexique Bilingue (Français-Anglais) des Concepts Économétriques Avancés

Dans un contexte de recherche globalisé, la maîtrise de la terminologie anglo-saxonne est un impératif. Ce lexique bilingue définit précisément les concepts techniques clés (e.g., Cointegration, Endogeneity, Granger Causality, Instrumental Variable) abordés dans le cours. Il ne s’agit pas d’une simple traduction, mais d’un outil visant à faciliter la lecture de la littérature scientifique internationale et à préparer l’étudiant à interagir avec la communauté académique mondiale, renforçant sa compétitivité professionnelle.

Lire aussi :

Cours de Organisation des entreprises multinationales, annee-inconnue, OEM2111

Cours de Statistique appliquée à l'environnement, annee-inconnue, SAE1361

Cours de Performance et innovation, annee-inconnue, PIN2124

Cours de Lexique médical et logistique, licence-1, LML1121,

Cours de Philosophie et Logique, licence-1, PHL1111,

Cours de Communication, annee-inconnue, COM2114