4. Test de stationnarité (unit root test)
Le test de Dickey-Fuller augmenté (ADF) permet de
mettre en évidence le caractère stationnaire ou non d'une
chronique par la détermination d'une tendance déterministe ou
stochastique (Bourbonnais, 1998). Les modèles servant de base à
la construction de ce test sont au nombre de trois :
(1) Xt = Xt-1 + et
(modèle autorégressif d'ordre 1)
(2) Xt = Xt-1 + + et
(modèle avec constante)
(3) Xt = Xt-1 + t + et
(modèle avec tendance)
Avec Xt : variable testée
Xt-1 : variable testée en
tenant compte de ses conditions du passé
t : tendance
et : constantes
et : terme d'erreur
Le principe de test est simple : si l'hypothèse
nulle (H0) : = 1 est retenue dans l'un de ces trois
modèles, le processus est alors non stationnaire ; dans ce cas, on
teste la variable à différence première. Si on accepte
cette hypothèse pour l'une des variables que l'on veut utiliser alors
toutes les variables doivent être testées à la
différence première. Si l'hypothèse alternative
(H1) : 1 est retenue dans l'un des modèles ci-dessus,
alors le processus est stationnaire (Dossou, 2000).
5. Test de co-intégration
L'analyse de la stationnarité nous permet de
déterminer l'ordre d'intégration, si la variable est stationnaire
en niveau, c'est-à-dire son ordre d'intégration est
zéro ; et si la variable admet une stationnarité en
différence, c'est-à-dire l'ordre d'intégration peut
aller de 1 à n.
L'approche de Johansen nous a permis de tester la
co-intégration dans nos modèles. Le principe de ce test est
basé sur la comparaison du ratio de vraisemblance de Likelihood (LR)
à la valeur critique notée CV. Si LR CV, on accepte
l'hypothèse nulle, c'est-à-dire que les variables ne sont pas
co-intégrées, et si CV = LR, on accepte l'hypothèse
alternative et on considère que les variables sont
co-intégrées. Tous ces tests sont faits au seuil de 5%.
V. RESULTATS OBTENUS
Après avoir fait le test de stationnarité (unit
root test), nous avons trouvé les résultats
présentés dans le tableau ci-dessous :
Tableau n°1 : Test ADF
Variables
|
Stat. ADF
|
CV (5%)
|
Avec tendance
|
Avec constante
|
Conclusion
|
X
|
-3,47
|
-3,44
|
Oui
|
Oui
|
I(0)
|
Z
|
-3,48
|
-3,45
|
Oui
|
Oui
|
I(0)
|
Y
|
-12,06
|
-3,44
|
Oui
|
Oui
|
I(0)
|
D(X)
|
-11,71
|
-3,44
|
Oui
|
Oui
|
I(1)
|
D(Z)
|
-11,66
|
-3,45
|
Oui
|
Oui
|
I(1)
|
D(Y)
|
-12,06
|
-3,44
|
Oui
|
Oui
|
I(1)
|
Source : confectionné sur base de logiciel Eviews
3.1
I(0) : Stationnarité en niveau
I(1) : Stationnarité en différence
première
Le tableau ci haut ressort que toutes les variables sont
stationnaires en niveau et en différence première. Comme toutes
les variables sont stationnaires en niveau, il n'est pas évident de
tester la stationnarité en différence première, mais dans
les cas de notre analyse, nous l'avons fait juste pour remplir la
formalité. Rappelons que, lorsque la statistique d'ADF est
inférieure à la valeur critique (CV), la variable est
stationnaire, et elle est non stationnaire lorsque la statistique d'ADF est
supérieure à la CV. Dans ce cas, nous trouvons que l'ordre
d'intégration est de zéro pour le seuil de 5% car toutes les
variables sont stationnaires en niveau.
Le test de stationnarité étant
vérifié, il nous est important de passer au test de
co-intégration au sens de Johansen, et nous avons obtenu les
résultats suivants pour nos deux variables :
Tableau n°2 : Modèle Keynésien
Eigen value
|
RL
|
CV (5%)
|
CV (1%)
|
Hypothesized
No. of CE(s)
|
0.204638
|
45.96398
|
19.96
|
24.60
|
Aucun **
|
0.145547
|
18.71798
|
9.24
|
12.97
|
Au moins 1 **
|
Source : Traitement de nos données avec Eviews
3.1
*(**) signifie qu'au seuil de 1% et 5%, nous rejetons
l'hypothèse de l'existence de plusieurs vecteurs de
co-intégration. Nous remarquons que pour nos variables, les valeurs de
RL sont supérieures à CV, soit 45.96 supérieur à
19.96 et 24.60 ; et 18.71 respectivement supérieur à 9.24
et 12.97. Il existe donc une relation de co-intégration, soit
l'hypothèse alternative d'une co-intégration est acceptée
pour la consommation et le revenu.
Tableau n°3 : Modèle Classique
Eigen value
|
RL
|
CV (5%)
|
CV (1%)
|
Hypothesized
No. of CE(s)
|
0.270301
|
79.16896
|
34.91
|
41.07
|
Aucun **
|
0.237317
|
41.98443
|
19.96
|
24.60
|
Au moins 1 **
|
0.081385
|
10.01679
|
9.24
|
12.97
|
Au moins 2 *
|
Source : Traitement de nos données avec Eviews
3.1
*(**) signifie qu'au seuil de 1% et 5%, nous rejetons
l'hypothèse de l'existence de plusieurs vecteurs de
co-intégration. Remarquons que pour toutes nos variables, les valeurs de
RL sont supérieures à CV. Il existe donc une relation de
co-intégration, soit l'hypothèse alternative d'une
co-intégration est acceptée pour la consommation, le revenu et la
consommation passée.
Comme l'hypothèse d'une co-intégration est
acceptée alors nous allons procéder à l'estimation de la
relation de long terme par la méthode de moindres carrés
ordinaires, qui est un modèle capital dans notre analyse.
Après avoir testé la co-intégration au
sens de Johansen, nous avons passé à l'estimation des
modèles de consommation par la méthode de moindres carrés
ordinaires et nous avons trouvé les résultats suivants, à
partir de l'estimation de nos données avec le logiciel Eviews
3.1 :
Ø Pour le modèle Keynésien
Après l'estimation, le modèle Keynésien
est donné par l'équation suivante :
X = - 6,81 + 0,73*Y
(- 1,40) (35,69)
Pour ce modèle, la variable indépendante
explique à 91,52 % le comportement des consommateurs de la cité
d'Uvira. Cette équation nous montre que, lorsque le revenu à
Uvira augmente d'un pour cent, la consommation augmente de 0,73 %. Cette
équation vérifie la théorie Keynésienne de la
consommation qui stipule : « lorsque le revenu augmente
d'un pour cent, la consommation croît aussi d'une proportion moindre que
celle de revenu ». La propension marginale à consommer pour la
cité d'Uvira est en moyenne de 0,73 soit
dx/dy = 0,73, c'est-à-dire 0,73 est la variation de la
consommation due à une variation du revenu. Si le revenu est nul, la
consommation diminue de 6,81 %. Pour ce cas, la consommation autonome est
négative, soit la population sans revenu ne consomment près que
pas.
Ø Pour le modèle classique
L'estimation du modèle classique au sens de Brown est
la suivante d'après nos analyses :
X = 0,40 + 0,09*Y + 0,84*Z
(0,16) (2,43) (17,56)
Pour ce modèle, la variable dépendante est
expliquée par les variables indépendantes de
97,67 %. Cette équation montre que, lorsque le revenu
croît d'un pour cent, la consommation augmente de 0,09 % tandis que
lorsque la consommation passée augmente d'un point de pourcentage, la
consommation actuelle augmente aussi de 0,84 %. Ce modèle vérifie
aussi la théorie classique qui stipule : « la
consommation actuelle est fonction non seulement du revenu mais aussi de la
consommation passée ». Pour cette équation, la
propension marginale à consommer de courte période est
donnée par x/y = 0,09 tandis que celle de longue période est
égale à 0,09/1- 0,84 soit 0,56. Et si le revenu et la
consommation passée sont égaux à zéro, la
consommation augmente de 0,40 % soit dans ce cas, la consommation autonome est
de 0,40.
Remarquons que pour ces deux modèles, les
ménages dépensent plus leurs revenus à la consommation et
ils épargnent une petite partie de leurs revenus. Pour le cas de
modèle Keynésien, les ménages épargnent soit (1-
0,73), c'est-à-dire 27 % de leurs revenus tandis que si nous
considérons le modèle classique, ils épargnent (1- 0,56),
soit 44% de leurs revenus. Mais en réalité, c'est le
modèle keynésien qui reflète plus la réalité
de cette cité. En réalité, si nous prenons en
considération la situation de la crise alimentaire, tout en
considérant aussi que le revenu reste constant car plusieurs employeurs
restent retissant en ce qui concerne l'augmentation de salaire et que cette
situation cause une hausse généralisée de prix, la
population aura tendance à consommer tout leur revenu sans qu'elle
puisse épargner.
|