III.2. TEST ECONOMETRIQUES

III.2.1  TEST DE STATIONNARITE DES SERIES

La satisfaction au test de stationnarité ou test de racine unitaire constitue la condition sine qua none pour l’application de la méthode des moindres carrés ordinaires (MCO).[1] La stationnarité  est un concept clé pour la validité d’une régression sur  les séries temporelles. D’un point de vue statistique, la stationnarité suppose que le passé est comparable au présent et au futur.  Ainsi, une série chronologique est stationnaire, au sens strict, si sa distribution de probabilité ne change pas au cours du temps. Cette définition forte de la stationnarité implique que la distribution jointe (Yr+1, Yr+2, . . . ,Yr+n ) ne dépende pas de r. Si c’est le cas, on conclut que Yt est non stationnaire.^[2] Par ailleurs, un processus est stationnaire si celui-ci n’a ni trend, ni saisonnalité. De ce fait, fluctue autour d’une moyenne constante. Il apparait donc que la stationnarité est une exigence qui assure l’utilisation du modèle en dehors de la période sur laquelle il a été estimé[3].

Pour procéder à l’estimation de notre modèle, nous allons au préalable, nous rendre compte de la stationnarité des variables à utiliser. Ceci est nécessaire, étant donné que les variables économiques  sont rarement des réalisations de processus stationnaire. Le non stationnarité peut bien concerner l’espérance que les moments de second ordre.

Nous devons préciser ici que le test qui a été utilisé est celui de Dickey Fuller Augmenté (Ajusted Dickey-Fuller).

• Si la valeur d’ADF est inférieure à la valeur critique au seuil de 5% ou si sa probabilité  est inférieure à 5% (en valeur absolue)  alors on rejette H0 : la série X est stationnaire.
• Si la valeur d’ADF est supérieure ou égale à la valeur critique ou si sa probabilité est supérieure à 5% (en valeur absolue) alors on accepte l’hypothèse H0 : la série X est non stationnaire.

Tableau 3. Test de stationnarité sur les réserves de change (LRES)

ADF Test Statistic	-3.802818	1%   Critical Value*		-2.6344
		5%   Critical Value		-1.9514
		10% Critical Value		-1.6211
*MacKinnon critical values for rejection of hypothesis of a unit root.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LRES,2)
Method: Least Squares
Date: 07/07/14   Time: 16:05
Sample(adjusted): 1978 2010
Included observations: 33 after adjusting endpoints
Variable	Coefficient	Std. Error	t-Statistic	Prob.
D(LRES(-1))	-1.446058	0.380260	-3.802818	0.0006
D(LRES(-1),2)	0.186825	0.270226	0.691365	0.4945
R-squared	0.621018	Mean dependent var		-0.015186
Adjusted R-squared	0.608792	S.D. dependent var		0.966379
S.E. of regression	0.604437	Akaike info criterion		1.889654
Sum squared resid	11.32567	Schwarz criterion		1.980351
Log likelihood	-29.17929	Durbin-Watson stat		1.930514

Source : nous-mêmes

Commentaire : lecture faite de ce tableau laisse voir que les réserves de change sont intégrées d’ordre 1 sans tendance et sans constante. Elles sont donc non stationnaires, il faut qu’on y introduise un filtre à la différence première pour qu’on les rende stationnaire.

Tableau 4. Test de stationnarité sur les termes de l’échange (TERM)

ADF Test Statistic	-5.002193	1%   Critical Value*		-3.6353
		5%   Critical Value		-2.9499
		10% Critical Value		-2.6133
*MacKinnon critical values for rejection of hypothesis of a unit root.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(TERM)
Method: Least Squares
Date: 07/07/14   Time: 16:10
Sample(adjusted): 1977 2010
Included observations: 34 after adjusting endpoints
Variable	Coefficient	Std. Error	t-Statistic	Prob.
TERM(-1)	-1.025807	0.205071	-5.002193	0.0000
D(TERM(-1))	0.287249	0.164544	1.745726	0.0908
C	-7.74E+09	2.03E+09	-3.818711	0.0006
R-squared	0.472239	Mean dependent var		3.20E+08
Adjusted R-squared	0.438190	S.D. dependent var		9.48E+09
S.E. of regression	7.11E+09	Akaike info criterion		48.29088
Sum squared resid	1.57E+21	Schwarz criterion		48.42555
Log likelihood	-817.9449	F-statistic		13.86934
Durbin-Watson stat	2.073892	Prob(F-statistic)		0.000050

Source : nous-mêmes

Commentaire : nous constatons que les termes de l’échange sont intégrés en niveau avec constante, ils sont donc stationnaires.

Tableau 5. Test de stationnarité sur la monnaie et quasi monnaie (M2)

ADF Test Statistic	-4.043241	1%   Critical Value*		-3.6353
		5%   Critical Value		-2.9499
		10% Critical Value		-2.6133
*MacKinnon critical values for rejection of hypothesis of a unit root.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LM2)
Method: Least Squares
Date: 07/07/14   Time: 15:58
Sample(adjusted): 1978 2010
Included observations: 33 after adjusting endpoints
Variable	Coefficient	Std. Error	t-Statistic	Prob.
LM2(-1)	-1.104747	0.273233	-4.043241	0.0003
D(LM2(-1))	-0.046975	0.179275	-0.262026	0.7950
R-squared	0.580630	Mean dependent var		-0.000865
Adjusted R-squared	0.567102	S.D. dependent var		1.024846
S.E. of regression	0.674297	Akaike info criterion		2.108401
Sum squared resid	14.09498	Schwarz criterion		2.199098
Log likelihood	-32.78861	Durbin-Watson stat		1.984164

Source : nous même

Commentaire : Il faut dire que ici que la masse monétaire au sens large est intégré en niveau, elle est donc stationnaire.

Tableau 6.  Test de stationnarité sur l’indice des prix à la consommation (IPC)

ADF Test Statistic	2.133850	1%   Critical Value*		-2.6321
		5%   Critical Value		-1.9510
		10% Critical Value		-1.6209
*MacKinnon critical values for rejection of hypothesis of a unit root.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(IPC)
Method: Least Squares
Date: 07/07/14   Time: 16:35
Sample(adjusted): 1977 2010
Included observations: 34 after adjusting endpoints
Variable	Coefficient	Std. Error	t-Statistic	Prob.
IPC(-1)	0.093730	0.043925	2.133850	0.0406
D(IPC(-1))	-0.099338	0.199834	-0.497101	0.6225
R-squared	0.016381	Mean dependent var		4.411765
Adjusted R-squared	-0.014357	S.D. dependent var		12.37761
S.E. of regression	12.46615	Akaike info criterion		7.940933
Sum squared resid	4972.953	Schwarz criterion		8.030719
Log likelihood	-132.9959	Durbin-Watson stat		1.944459

Source : nous-mêmes

Commentaire : nous observons ici que l’indice de prix à la consommation est intégré en niveau sans constante ni tendance, il est donc stationnaire.

Tableau 7. Test de stationnarité sur le taux d’intérêt (TI)

ADF Test Statistic	-3.552201	1%   Critical Value*		-4.2505
		5%   Critical Value		-3.5468
		10% Critical Value		-3.2056
*MacKinnon critical values for rejection of hypothesis of a unit root.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(TI)
Method: Least Squares
Date: 07/07/14   Time: 19:17
Sample(adjusted): 1977 2010
Included observations: 34 after adjusting endpoints
Variable	Coefficient	Std. Error	t-Statistic	Prob.
TI(-1)	-0.943282	0.265549	-3.552201	0.0013
D(TI(-1))	-0.093618	0.183482	-0.510233	0.6136
C	5.124946	1.787417	2.867236	0.0075
R-squared	0.522755	Mean dependent var		-0.140376
Adjusted R-squared	0.475030	S.D. dependent var		3.085098
S.E. of regression	2.235302	Akaike info criterion		4.556760
Sum squared resid	149.8972	Schwarz criterion		4.736332
Log likelihood	-73.46493	F-statistic		10.95359
Durbin-Watson stat	1.977334	Prob(F-statistic)		0.000051

Source : construit par nous-mêmes à partir des données du modèle

Commentaire : comme nous le constatons, le taux d’intérêt est intégré en niveau avec constante sans tendance, il est donc stationnaire.

Tableau 8. Test de stationnarité sur le taux de change (TCR)

ADF Test Statistic	2.388612	1%   Critical Value*		-2.6321
		5%   Critical Value		-1.9510
		10% Critical Value		-1.6209
*MacKinnon critical values for rejection of hypothesis of a unit root.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LTCR)
Method: Least Squares
Date: 07/07/14   Time: 19:21
Sample(adjusted): 1977 2010
Included observations: 34 after adjusting endpoints
Variable	Coefficient	Std. Error	t-Statistic	Prob.
LTCR(-1)	0.123400	0.051662	2.388612	0.0230
D(LTCR(-1))	0.186564	0.210868	0.884744	0.3829
R-squared	0.273316	Mean dependent var		26.64451
Adjusted R-squared	0.250607	S.D. dependent var		59.07453
S.E. of regression	51.13935	Akaike info criterion		10.76401
Sum squared resid	83687.45	Schwarz criterion		10.85379
Log likelihood	-180.9881	Durbin-Watson stat		1.962515

Source : nous-mêmes

Commentaires : le taux de change est intégré en niveau sans constante ni tendance, il est donc stationnaire.

Tableau 9. Test de stationnarité sur les dettes extérieures (DET)

ADF Test Statistic	-2.826209	1%   Critical Value*		-2.6369
		5%   Critical Value		-1.9517
		10% Critical Value		-1.6213
*MacKinnon critical values for rejection of hypothesis of a unit root.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LDET,3)
Method: Least Squares
Date: 07/07/14   Time: 19:26
Sample(adjusted): 1979 2010
Included observations: 32 after adjusting endpoints
Variable	Coefficient	Std. Error	t-Statistic	Prob.
D(LDET(-1),2)	-1.482841	0.524675	-2.826209	0.0083
D(LDET(-1),3)	0.016277	0.309630	0.052569	0.9584
R-squared	0.449369	Mean dependent var		-0.023032
Adjusted R-squared	0.431014	S.D. dependent var		0.221148
S.E. of regression	0.166814	Akaike info criterion		-0.683408
Sum squared resid	0.834812	Schwarz criterion		-0.591799
Log likelihood	12.93453	Durbin-Watson stat		1.310019

Source : nous-mêmes

Commentaire : comme nous le constatons, les dettes extérieures sont intégrées d’ordre 2 sans constante ni tendance, nous devons donc les différencier avant d’effectuer les  estimations.

Le tableau ci-après résume nos résultats du test de stationnarité des séries.

Tableau 10. Ordre d’intégration des variables du modèle

TEST DE STATIONNARITE
Variables	Stationnarité		ADF
	Oui/Non	Ordre d’intégration	Valeur statistique	Valeur critique	constante	Tendance
TCR	Oui	I(0)	2,388612	-1,9510	Sans	Sans
DETTE	Oui	I(2)	-2,826209	-1,9517	Sans	Sans
TERME	Oui	I(0)	-5,002193	-2,9499	Sans	Sans
RESERVES	Oui	I(1)			Sans	Sans
IPC	Oui	I(0)	2,133850	-1,9510	Sans	Sans
TI	Oui	I(0)	-3,552201	-3,5468	Avec	Sans
M2	Oui	I(0)	-4,043241	-2,9499	Sans	Sans

Source : L’auteur à partir des données du modèle.

Les résultats de ce tableau ci-dessus indiquent que la dette extérieure est intégrée en deuxième différence, les réserves de change sont intégrées en différence première et le taux de change, indice de prix  à la consommation, taux d’intérêt, le terme de l’échange et monnaie et quasi monnaie sont intégrés en niveau. Puisque  toutes les variables ne sont pas intégrées de même ordre, elles ne peuvent donc pas être cointégrées au sens de Granger selon la théorie économétrique  ce qui implique que nous allons pouvoir  le différencier avant d’effectuer l’estimation des paramètres.

De ce fait, nous pouvons dégager une relation de long terme entre le taux de change et les autres variables explicatives tels le terme de l’échange, la dette extérieure, la masse monétaire au sens large, le taux d’intérêt, l’indice de prix à la consommation et les réserves de change.

Tableau 11.  Première estimation du  modèle « LS LTCR C DLRES LDET LM2 IPC TERM TI »

Dependent Variable: LTCR
Method: Least Squares
Date: 07/07/14   Time: 17:04
Sample(adjusted): 1977 2010
Included observations: 34 after adjusting endpoints
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	57.13336	25.25950	2.261856	0.0320
DLDET	-22.95658	9.389784	-2.444846	0.0213
DLRES	-3.187000	1.384467	-2.301970	0.0293
LM2	-5.258278	1.126369	-4.668344	0.0001
IPC	0.190951	0.020581	9.278014	0.0000
TERM	-6.47E-11	1.17E-10	-0.550364	0.5866
TI	-0.557746	0.421460	-1.323366	0.1968
R-squared	0.895364	Mean dependent var		-9.126323
Adjusted R-squared	0.872111	S.D. dependent var		13.42064
S.E. of regression	4.799426	Akaike info criterion		6.156111
Sum squared resid	621.9311	Schwarz criterion		6.470361
Log likelihood	-97.65388	F-statistic		38.50615
Durbin-Watson stat	1.598915	Prob(F-statistic)		0.000000

Source : l’auteur à partir des données du modèle

Les résultats figurant dans ce tableau renseignent que le modèle est bon dans l’ensemble mais force est de constater que du point de vue de la significativité des variables, le taux d’intérêt et le terme de l’échange ne sont  pas significatif d’autant plus que leurs probabilités sont inférieures au seuil retenu c’est-à-dire 5%. Il y a lieu donc de les éliminer avant de poursuivre nos analyses.

Les résultats, après annulation de la variable non significative, sont portés  dans le  tableau suivant :

Tableau 12. Dernière estimation : LS LTCR C DLDET DLRES LM2 IPC

Dependent Variable: LTCR
Method: Least Squares
Date: 07/07/14   Time: 17:07
Sample(adjusted): 1977 2010
Included observations: 34 after adjusting endpoints
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	66.83333	24.39453	2.739685	0.0104
DLDET	-24.13721	9.384172	-2.572120	0.0155
DLRES	-3.710869	1.326083	-2.798368	0.0090
LM2	-5.806203	1.078485	-5.383664	0.0000
IPC	0.204298	0.017921	11.40021	0.0000
R-squared	0.885834	Mean dependent var		-9.126323
Adjusted R-squared	0.870087	S.D. dependent var		13.42064
S.E. of regression	4.837262	Akaike info criterion		6.125628
Sum squared resid	678.5741	Schwarz criterion		6.350093
Log likelihood	-99.13567	F-statistic		56.25401
Durbin-Watson stat	1.461503	Prob(F-statistic)		0.000000

Source : nous-mêmes à partir des données du modèle

Le coefficient de  détermination R² nous permet de juger de la contribution des variables exogènes à l’explication de la variable endogène. Ce coefficient  est de 0,885 soit 88,5%. En d’autres mots, cela signifie que 88,5% des variations du taux de change sont expliquées par la variation de la combinaison linéaire des variables retenues dans le modèle (l’indice de prix à la consommation, les réserves de change, la dette extérieure et la masse monétaire au sens large). Le bon degré d’ajustement de nuage des points par la droite d’estimation est confirmé par le coefficient de détermination ajusté qui est de 87%.

Quant à ce qui est de la significativité des variables du modèle, il faut dire que la significativité globale du modèle est donnée à partir de la statistique F de Fisher Snedecor.

La règle de décision pour ce test est la suivante : 

Ho : βi = 0 : aucune variable indépendante n’explique la variable endogène.

H1 : il existe au moins un βi ≠ 0 c’est-à-dire qu’il existe au moins une variable qui explique le taux de change.

La statistique F de Fisher pour notre cas est de 56,2 avec une probabilité ou risque de se tromper de 0,00000.

F observé ou théorique ou encore empirique avec le degré de liberté (K-1, n-K) au seuil de 5%, lecture faite sur la table est F^0,05(28)= 2,57 ; K représente le  nombre de paramètres à estimer.

Il ressort que notre F calculé soit 56,2 est de loin supérieur à la statistique F théorique soit 2,56 au seuil de signification de α = 0,05.

On rejette donc l’hypothèse nulle car les βi sont significativement différents de 0. En conclusion, il  existe au moins une variable indépendante qui explique la variable dépendante.

La significativité du modèle étant prouvée, il est important de tester la significativité de chaque paramètre. Comme les signes des paramètres témoignent ou indiquent l’influence des variables exogènes sur la variable endogène, leur étude est importante.

D’après nos résultats une de nos variables influe d’une manière positive sur le taux de change il s’agit de l’indice des prix à la consommation c’est-à-dire que toute variation observée à cette variable a une influence positive sur  le taux de change. Par ailleurs, les autres variables ont une influence négative sur le taux de change c’est-à-dire toute  variation de celles-ci est en sens contraire pour le taux de change. Il s’agit pour ce faire des réserves de change, de la masse monétaire au sens large et de la dette extérieure.

Une  dette  extérieure  très  élevée  peut  entrainer  une augmentation de la demande pour les biens échangeables et les biens non-échangeables, conduisant  donc  à  un  prix  relatif  plus  élevé  des  biens  échangeables  et dans ce cas il  y aura appréciation du taux de change.

Une augmentation de la masse monétaire se manifeste par une appréciation du taux de change. Une baisse de la masse monétaire se manifeste par la dépréciation du taux de change. En effet, toute augmentation de la masse monétaire conduit à la hausse des prix des biens échangeables et à la diminution des réserves de change. Il s'ensuit une appréciation du taux de change. On peut donc s'attendre à ce que le coefficient de la variable masse monétaire soit négatif.

Après analyse, le modèle retenu à long terme est donc :

LTCR = 66.83332795 - 24.13721359DLDET - 3.710869416DLRES - 5.806202893LM2 + 0.2042976323IPC

Après avoir vérifié la relation de long terme entre les variables exogènes et la variable endogène, il y a lieu de procéder aux différents tests qui donnent même le fondement de ce modèle.

III.2.2  Test d’autocorrélation des erreurs

Tableau 13. Test d’autocorrélation des erreurs

Breusch-Godfrey Serial Correlation LM Test:
F-statistic	1.748580	Probability		0.193156
Obs*R-squared	3.898837	Probability		0.142357
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 07/07/14   Time: 16:50
Presample missing value lagged residuals set to zero.
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	-15.20065	25.36397	-0.599301	0.5540
DLDET	-0.052442	9.151835	-0.005730	0.9955
LRES	0.729043	1.359613	0.536213	0.5962
LM2	0.853985	1.170750	0.729435	0.4720
IPC	-0.003997	0.017614	-0.226950	0.8222
RESID(-1)	0.318523	0.200390	1.589518	0.1236
RESID(-2)	0.226165	0.233789	0.967391	0.3419
R-squared	0.114672	Mean dependent var		-4.86E-15
Adjusted R-squared	-0.082068	S.D. dependent var		4.534628
S.E. of regression	4.717033	Akaike info criterion		6.121478
Sum squared resid	600.7608	Schwarz criterion		6.435729
Log likelihood	-97.06513	F-statistic		0.582860
Durbin-Watson stat	1.868337	Prob(F-statistic)		0.740771

Source : l’auteur à partir des données du modèle

Aucun de ces paramètres n’est significatif. Il n’y a aucun risque de présence d’autocorrélation.

III.2.3  Test d’hétéroscédasticité de White

Détection d’hétéroscédasticité : Test de White

Il est fondé sur  une relation significative entre le carré des résidus et une ou plusieurs  variables explicatives à  niveau et au carré ou  encore en termes croisé au sein d’une  même équation de régression.

Soit n le  nombre d’observation pour estimer les  paramètres de ce modèle et R² le coefficient de détermination. On calcule la statique nx R². Cette statistique suit  la loi de Chi-deux à 2  degrés de liberté. L’hypothèse testée est  la suivante :

H0 : α_n  = 0 ; homoscédasticté, contre ;

H1 : α_n  ≠ 0 ; hétéroscédasticité

La règle de décision est  la suivante : si la probabilité d’acceptation de l’hypothèse nulle automatiquement calculée par Eviews 3.1 est inférieure à  5%, on rejette H0 et on conclut à l’hétéroscédasctité. Sinon, c’est-à-dire si cette probabilité est supérieure à 5% on accepte l’H0,  on conclut qu’il y a homoscédasticté.

Tableau 14. Test d’hétéroscésticité de White

White Heteroskedasticity Test:
F-statistic	0.743190	Probability		0.653574
Obs*R-squared	6.532377	Probability		0.587819
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 07/07/14   Time: 16:52
Sample: 1977 2010
Included observations: 34
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	-208.3866	3181.190	-0.065506	0.9483
DLDET	45.88767	93.42146	0.491190	0.6276
DLDET^2	-430.2408	333.5447	-1.289904	0.2089
LRES	24.56144	329.9293	0.074445	0.9412
LRES^2	-0.671779	8.535928	-0.078700	0.9379
LM2	21.54710	14.11171	1.526895	0.1393
LM2^2	-7.277681	4.389576	-1.657946	0.1098
IPC	-0.437077	0.458555	-0.953163	0.3496
IPC^2	0.003445	0.003474	0.991820	0.3308
R-squared	0.192129	Mean dependent var		19.95806
Adjusted R-squared	-0.066390	S.D. dependent var		26.83182
S.E. of regression	27.70819	Akaike info criterion		9.703260
Sum squared resid	19193.60	Schwarz criterion		10.10730
Log likelihood	-155.9554	F-statistic		0.743190
Durbin-Watson stat	1.505506	Prob(F-statistic)		0.653574

Source : nous-mêmes

Aucun de ces paramètres n’est significatif. Le modèle est homoscédastique. 

III.2.4.  Test de normalité

Ce test porte sur une série de résidu. On va tester si la distribution du  résidu suit la loi normale ou. A l’aide du test de Jarque-Bera qui est un test statistique  qui sert à  tester si la distribution est normale.

Ho : les résidus suivent une loi normale

H1 : les résidus  ne suivent pas une loi  normale

Sur Eviews, nous avons le résultat suivant :

Figure 1. Test de normalité de Jarque Bera

Commentaire : Les erreurs suivent une loi normale d’autant  plus que leur probabilité est supérieure à 5%.

III.2.4.  Test de spécification du  modèle de Ramsey

Ce test consiste   à  tester s’il y a manque de variables  ou problème de formes fonctionnelles dans notre modèle. Sur Eviews, on obtient le résultat suivant :

Tableau 15. Test de spécification du modèle

Ramsey RESET Test:
F-statistic	1.429894	Probability		0.248074
Log likelihood ratio	8.551686	Probability		0.128338
Test Equation:
Dependent Variable: LTCR
Method: Least Squares
Date: 07/07/14   Time: 17:02
Sample: 1977 2010
Included observations: 34
Variable	Coefficient	Std. Error	t-Statistic	Prob.
DLDET	-3.461610	20.61524	-0.167915	0.8680
LRES	0.060146	0.137121	0.438632	0.6647
LM2	0.892337	5.007042	0.178216	0.8600
IPC	0.039582	0.129702	0.305173	0.7628
FITTED^2	-0.057375	0.104416	-0.549486	0.5875
FITTED^3	0.006166	0.008437	0.730883	0.4716
FITTED^4	3.10E-05	0.000787	0.039399	0.9689
FITTED^5	-2.87E-05	6.04E-05	-0.476183	0.6381
FITTED^6	-7.60E-07	1.16E-06	-0.652191	0.5202
R-squared	0.888245	Mean dependent var		-9.126323
Adjusted R-squared	0.852483	S.D. dependent var		13.42064
S.E. of regression	5.154589	Akaike info criterion		6.339579
Sum squared resid	664.2448	Schwarz criterion		6.743616
Log likelihood	-98.77284	Durbin-Watson stat		0.769661

Source : nous-mêmes à partir des données du modèle

On remarque que la statistique de Fisher est de  1,429894 et la probabilité est de 0,248074 qui sont supérieure à 5%. Alors on accepte Ho, ce qui signifie qu’il n’y a pas  de manque de variables ni problème de forme fonctionnelle dans notre modèle.

III.2.5.  Test stabilité

 

 

 

 

 

 

 

Figure 2.  Test de stabilité (Cusum of squares test)

 

Au regard de cette figure, nous remarquons que notre modèle n’est pas stable. Il a subi un choc vers l’année 2005. Selon les textes à notre disposition, nous osons croire que cela serait dû aux différentes troubles politiques (guerres de rébellion) qui ont déchiré la RDC vers cette période et ont eu un impact négatif sur la croissance économique.

[1]B.B. KOMBA,Principes d’économétrie, cours et exercices résolus, UNIGOM, inédit, 2008-2009

[2]J.P. TSASA VANGU, Statistique appliquée, Centre Congolais-Allemand de Microfinance UPC, Mai 2010, p.2.

[3]  Idem, p.3