Arrow Table de matières
9991156

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 F0,05(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= 0 ; homoscédasticté, contre ;

H1 : α≠ 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

Partager ce travail sur :