3. Interprétation des résultats
Cette section porte sur la présentation des
résultats des estimations ainsi que l'analyse de ces résultats et
les remarques conclusives.
3.1. La méthode utilisée
L'estimation par les moindres carrés ordinaires (MCO)
sur des données de panel présuppose
l'homogénéité des individus qui
composent l'échantillon, sinon les estimateurs seront biaisés. En
effet, pour évaluer la pertinence des résultats obtenus par la
méthode des moindres carrée ordinaires, nous
interprèterons la significativité globale des modèles, la
significativité des variables explicatives utilisées ainsi que
les résultats. Une description des différentes variables, leurs
moyennes et écart type sera présentée dans un tableau des
statistiques descriptives.
Les résultats obtenus par la MCO montrent que les
modèles sont globalement significatifs (voir Table 1,2 et 3).
Avant de passer à la régression de notre
modèle, il est extrêmement utile de préciser la nature des
estimations. Autrement dit, notre modèle est un modèle à
effets fixes ou un modèle à effet aléatoire. Nous avons
choisi de travailler sur un modèle à effets fixes.
PRFi , t
= + ? ??+ 6
i k i , t i ,
t
K = 1
? i , t
Un modèle à effet fixe permet l'introduction des
effets individuels représentés par des
constantes (d'où l'appellation modèle à
effets fixes). L'estimateur des MCO des paramètres etdans le
modèle à effets fixes est appelée estimateur WITHIN. Ce
dernier s'explique
par le fait que cet estimateur tient compte de la variance
intragroupe de la variable endogène.
Un modèle à effets
fixes
Réalisations d'une variable à double indice,
notée PRFi,t Où
i = 1 10 n= 10 banques
t = 1998 2010 T= 13 ans
? i décrit l'unité statistique
(dans notre cas c'est la banque) ? T décrit la
période de temps (année)
? i , t
E(e i , t ) = 0
et V(e i , t ) =
cr2
Modèle linéaire de régression de la
forme:
K
: sont les variables explicatives de
la performance des banques
tunisiennes pour la banquepour l'année.
Ces variables explicatives sont :
: est un effet spécifique à la banque ; cet effet
est constant dans le temps.
: est une perturbation
aléatoire dont la forme est générée par un
processus autorégressif
d'ordre 1 et ~iid.
est un résidu centré et homoscédastique.
3.2. Statistiques descriptives
Le tableau ci dessous montre qu'en moyenne, la
rentabilité financière de notre échantillon est de
(-4,79%) et (-0,50%) pour la part du marché. La moyenne de la taille de
notre échantillon est de 14,44%. Le système bancaire tunisien
enregistre une moyenne de concentration d'un niveau de 11,57%.
Aussi, on constate qu'il ya présence
d'hétérosédasticité (la distribution ne suit pas
une loi normale) pour toutes les variables sauf celle de SIZE. En d'autre
terme, on rejette l'hypothèse de normalité H0 pour toutes les
variables sauf la variable SIZE. Pour cette dernière, la statistique de
Jraque bera qui est égale à 5,41 est inferieure à
khi-2(2)=5.99.
Tableau 5 : Statistiques
descriptives
|
ROA
|
EF
|
PM
|
SIZE
|
RF
|
DIV
|
IHH
|
Mean
|
-0.047
|
2.140
|
-0.005
|
14.444
|
17.649
|
-0.047
|
11.57
|
Median
|
0.100
|
-0.290
|
0.060
|
14.410
|
17.444
|
0.003
|
11.52
|
Maximum
|
1.570
|
251.980
|
6.430
|
15.460
|
59.319
|
0.009
|
12.28
|
Minimum
|
-10.940
|
-203.550
|
-11.030
|
13.420
|
-87.506
|
-1.752
|
11.406
|
Sum Sq.
Dev.
|
167.216
|
194429.0
|
746.017
|
26950.68
|
64536.36
|
6.796
|
17296.34
|
Std. Dev.
|
1.141
|
38.914
|
2.414
|
0.517
|
13.792
|
0.225
|
0.209
|
Skewness
|
-6.774
|
2.164
|
-1.483
|
0.129
|
-2.934
|
-6.819
|
2.944
|
Kurtosis
|
65.401
|
28.720
|
9.626
|
2.030
|
28.205
|
51.408
|
10.219
|
Jarque-
|
|
|
|
|
|
|
|
Bera
|
21916.33
|
3656.549
|
283.338
|
5.414
|
3600.041
|
13595.49
|
466.528
|
N°observ
|
130
|
130
|
130
|
130
|
130
|
130
|
130
|
|
| 
