Sanae Saber

Dans le cadre de mon mémoire de Master en Économie Appliquée et Modélisation, j'ai mené une recherche approfondie sur l'impact des investissements directs étrangers (IDE) sur la croissance économique au Maroc, en exploitant des données annuelles couvrant une période exceptionnellement longue de 1960 à 2024, soit plus de six décennies d'évolution macroéconomique.

L'objectif principal de cette étude était de déterminer s'il existe une relation de long terme (cointégration) entre les flux d'IDE et la croissance du PIB marocain, tout en distinguant les effets de court terme des effets structurels de long terme. Pour répondre à cette problématique, j'ai mobilisé le modèle ARDL (Autoregressive Distributed Lag), une approche économétrique particulièrement adaptée lorsque les variables présentent des ordres d'intégration mixtes (I(0) et I(1)).

Ma méthodologie s'est articulée autour de plusieurs étapes rigoureuses : tests de racine unitaire pour vérifier la stationnarité des séries, sélection du modèle ARDL optimal via les critères d'information (AIC), puis application du test des bornes (Bounds Test) pour confirmer l'existence d'une relation de cointégration entre les variables. Le modèle final retenu, ARDL(1,0,2,0,1,0), a produit une statistique F de 22.869, largement supérieure aux valeurs critiques supérieures, confirmant une cointégration forte et robuste entre l'IDE et la croissance économique.

J'ai également estimé le coefficient de correction d'erreur (CointEq), obtenu à -1.4448, un résultat qui indique une vitesse d'ajustement rapide vers l'équilibre de long terme après un choc économique. Au-delà des tests statistiques, j'ai réalisé des diagnostics complets de validation du modèle, incluant les tests de VIF (Variance Inflation Factor) pour écarter tout problème de multicolinéarité entre les variables explicatives, ainsi que des tests de stabilité des coefficients.

Freelance indépendante spécialisée en analyse de données et machine learning appliqué à la finance. J'ai livré 5 projets end-to-end : détection de fraude bancaire (ROC-AUC 0.981), scoring de risque crédit, prédiction de churn client, business intelligence e-commerce (2.4M MAD analysés), et prévision de ventes (SARIMA/Prophet). Stack technique : Python, SQL, Power BI, XGBoost, SHAP.