CHAPITRE V : RESULTATS ET INTERPRETATIONS
55
Nous Avons présenté dans le chapitre 4 la
méthodologie qui nous a permis de faire des analyses dans cette
recherche à partir des modèles économétriques. Cet
autre chapitre traitera des résultats et leurs interprétations.
Ledit chapitre portera sur : les résultats des tests, l'estimation des
équations au sujet de la rentabilité par rapport aux fonds
propres et de la rentabilité par rapport à l'actif.
V.1 - LES RESULTATS DES TESTS
V.1.1 -
Résultats des tests de la racine unitaire
Dans ce travail, C'est le test de Dickey Fuller augmenté
(DFA) (voir tableau 1 annexe 1) qui est utilisé pour vérifier la
stationnarité des séries. Ainsi que celui de Phillipe-Perron
(tableau 2 annexe 1).
56
Tableau 5: les résultats du test
de stationnarité de DFA et Phillips Perron
|
VARIABLE S
|
Règle de décision :
Prob* doit être soit inférieur à 10% ou 5%
ou 1%
|
RESULTATS DE
LA
STATIONNARITE
|
|
DFA
|
PP
|
|
Prob
|
Prob
|
|
|
TA
|
0.0733
|
0.0678
|
Oui
|
|
RTCSTD
|
0.0512
|
0.1077
|
Oui
|
|
RRSA
|
0.0654
|
0.0283
|
Oui
|
|
ROE
|
0.0000
|
0.0000
|
Oui
|
|
ROA
|
0.0063
|
0.0000
|
Oui
|
|
FPSTA
|
0.0002
|
0.0000
|
Oui
|
|
FPN
|
0.7557
|
0.0000
|
Oui
|
|
ETI
|
0.6568
|
0.5973
|
Non
|
|
DPTD
|
0.0685
|
0.0005
|
Oui
|
|
DBANC
|
0.9998
|
0.0139
|
Oui
|
|
CBANC
|
0.0823
|
0.0249
|
Oui
|
Source : Auteur : à partir de STATA, *=
probabilité
Lorsque la valeur de la probabilité d'une variable est
inférieure soit à 10%, 5%, 1% alors la variable est stationnaire,
au cas contraire on accepte l'hypothèse de non stationnarité de
la variable.
57
Tableau 6 : les résultats du test
de stationnarité de DFA et Phillips Perron avec trend.
|
VARIABLES
|
Règle de décision :
Prob doit être soit inférieur à 10% ou 5%
ou 1%
|
RESULTAT DE LA STATIONNARITE
|
|
DFA
|
PP
|
|
Prob
|
Prob
|
|
|
TA
|
0.0535
|
0.0002
|
Oui
|
|
RTCSTD
|
0.0000
|
0.0000
|
Oui
|
|
RRSA
|
0.0401
|
0.0916
|
Oui
|
|
ROE
|
0.0004
|
0.0004
|
Oui
|
|
ROA
|
0.0010
|
0.0009
|
Oui
|
|
FPSTA
|
0.0000
|
0.0000
|
Oui
|
|
FPN
|
0.0000
|
0.0000
|
Oui
|
|
ETI
|
0.3694
|
0.3164
|
Non
|
|
DPTD
|
0.0000
|
0.0000
|
Oui
|
|
DBANC
|
0.9993
|
0.0590
|
Oui
|
|
CBANC
|
0.9801
|
0.0000
|
Oui
|
Source : Auteur : à partir
de STATA
Ces tests sont faits pour les raisons de non
stationnarité de trois de nos variables : ETI, DBANC, CBANC. Ces
variables restent toujours non stationnaires, d'où le test de
stationnarité de DFA et PP avec trend et constante.
58
Tableau 7 : les résultats du test
de stationnarité de DFA et Phillips Perron avec trend et constante
|
VARIABLES
|
Règle de décision :
Prob doit être soit inférieur à 10% ou 5%
ou 1%
|
RESULTAT DE LA STATIONNARITE
|
|
DFA
|
PP
|
|
Prob
|
Prob
|
|
|
TA
|
0.0000
|
0.0000
|
Oui
|
|
RTCSTD
|
0.0000
|
0.0000
|
Oui
|
|
RRSA
|
0.0237
|
0.0000
|
Oui
|
|
ROE
|
0.0013
|
0.0011
|
Oui
|
|
ROA
|
0.0035
|
0.0028
|
Oui
|
|
FPSTA
|
0.0000
|
0.0000
|
Oui
|
|
FPN
|
0.0000
|
0.0000
|
Oui
|
|
ETI
|
0.2974
|
0.2526
|
Non
|
|
DPTD
|
0.0001
|
0.0001
|
Oui
|
|
DBANC
|
0.0000
|
0.0000
|
Oui
|
|
CBANC
|
0.0000
|
0.0000
|
Oui
|
Source : auteur, à partir de STATA
Ces tableaux permettent de faire ressortir les variables
stationnaires avec le test de DFA et PP à niveau c'est-à-dire
cointégrées (voir annexe 1). Au regard des
tableaux ci-dessus, on peut constater que toutes nos variables sont
stationnaires dans le test de DFA et PP avec trend et constante sauf la
variable ETI. Cette variable sera éliminée lors de l'estimation
du modèle bien qu'elle soit stationnaire en différence
première aussi bien avec DFA qu'avec Pillips Perron.
59
Tableau 8 : les résultats du test de
stationnarité de DFA et Phillips Perron en différence
première
|
VARIABLES
|
Règle de décision :
Prob doit être soit inférieur à 10% ou 5%
ou 1%
|
REULTATS DE LA STATIONNARITE
|
|
TEST EN DIFFERENCE PREMIERE
|
|
DFA
|
PP
|
|
Prob
|
Prob
|
|
|
D(TA)
|
0.0000
|
0.0000
|
OUI
|
|
D(RTCSTD)
|
0.0000
|
0.0000
|
OUI
|
|
D(RRSA)
|
0.0000
|
0.0000
|
OUI
|
|
D(ROE)
|
0.0000
|
0.0000
|
OUI
|
|
D(ROA)
|
0.0000
|
0.0000
|
OUI
|
|
D(FPSTA)
|
0.0000
|
0.0000
|
OUI
|
|
D(FPN)
|
0.0000
|
0.0000
|
OUI
|
|
D(ETI)
|
0.0000
|
0.0000
|
OUI
|
|
D(DPTD)
|
0.0000
|
0.0000
|
OUI
|
|
D(DBANC)
|
0.0000
|
0.0000
|
OUI
|
|
D(CBANC)
|
0.0000
|
0.0000
|
OUI
|
Source : auteur, à partir de STATA
On peut constater que toutes nos variables sont stationnaires
en différence première avec le test de DFA et celui de PP
La régression par la méthode des moindres
carrés ordinaires permet de vérifier la présence de l'auto
corrélation des résidus et de
l'hétéroscédasticité.
60
? Test D'autocorrelation de Breusch-Godfrey
(BG)
L'autocorrelation des résidus rend caduque les
commentaires sur la validité des modèles ou des tests
statistiques, il convient de tester l'autocorrelation des erreurs par le test
de BG. Les résultats montrent qu'il ya autocorrélation (voir
tableau 1 annexe 2).
? Test
d'hétéroscédasticité
Les résultats de ce teste présenté dans
le tableau 1 en annexe 2 montre que le modèle est
hétéroscédastique. D'où la correction de
l'hétéroscédasticité dans nos différents
modèles.
La présence de l'autocorrélation et de
l'hétéroscédasticité nous permet d'utiliser les
méthodes des moindres carrés généralisés
(MCG) pour estimer nos deux modèles de régression. Mais avant il
est nécessaire de procéder à la correction de
l'hétéroscédasticité. Cette correction se fait par
la procédure de White. Le résultat de cette correction se trouve
dans le tableau 1 de l'annexe 2 et dans le tableau 1 de l'annexe 3.
V.2- ESTIMATION DES MODELES PAR LES MCG
V.2.1 -Régression du modèle de la
rentabilité par rapport au fond propres
| 
