La pertinence du choix des objectifs de la politique monétaire en RDC

CHAP. III. PRÉSENTATION ET INTERPRÉTATION DES RESULTATS

Dans ce chapitre, il est question de présenter et d'interpréter les résultats de nos analyses. L'estimation du modèle est faite sur des données annuelles couvrant la période 1970 à 2000, soit 31 observations (tableau 1 en annexe). Les données utilisées sont tirées des statistiques du Fonds Monétaire International et subsidiairement complétées par celles de la Banque Mondiale. Toutes les variables sont exprimées en logarithme.

Ainsi, nous allons dans un premier temps passer à la présentation des résultats avant de procéder, dans un second temps à leurs interprétations.

SECTION 1. PRÉSENTATION DES RESULTATS

Pour éviter des régressions fallacieuses entre différentes variables du modèle à tester, il s'avère nécessaire de passer par une analyse préliminaire des données. Cette analyse nous permettra, bien entendu, à ne pas tomber dans le risque d'estimer des relations « fallacieuses » et d'interpréter les résultats de manière erronée. Pour ce faire, nous allons donc recourir aux tests de stationnarité et de co-intégration étant donné que les variables que nous analysons sont des séries chronologiques.

§ 1. Le test de stationnarité

Avant le traitement d'une série chronologique, il convient d'en étudier les caractéristiques stochastiques. Si ces caractéristiques, c'est-à-dire - son espérance et sa variance - se trouvent modifiés dans le temps, la série chronologique est considérée comme non stationnaires dans le cas d'un processus stochastique invariant, la série temporelle est alors stationnaire (Bourbonnais, 1998).

Pour étudier la stationnarité, on recourt à trois types de test : test de Dickey-Fuller, test de Dickey-fuller Augmenté et test de Phillips-Peron. Comme les limites du test DF sont complétées par ADF, nous allons donc utiliser cette version la plus complète du test ADF de Dickey-Fuller (1981) pour vérifier la stationnarité des variables.

Mais, avants d'en arriver là, il est nécessaire de déterminer le nombre de retards à prendre à compte pour chaque variable. Le nombre est déterminé grâce au test de akaike (1974) et schwarz (Yumbi, 2002). A ce propos, c'est le retard p qui minimise les critères AIC^9(*) ou SC^10(*) qui sera retenu souligne Dossou (2000). Le nombre de retards retenu pour nos variables est ainsi déterminé à partir des dits critères. Cependant, ces critères semblent n'être pertinents que dans la présentation VAR, car écrit Dossou (2000) : « les critères d'information d'akaike et de Schwartz peuvent être utilisés pour déterminer avec précision le nombre de retards p du modèle « VAR ». Nos analyses n'étant pas axées sur le modèle VAR, ces critères vont juste nous permettre de déterminer la valeur optimale du test ADF ainsi que le modèle à partir duquel la variable est stationnaire.

Le tableau ci-dessous présente les résultats des tests ADF appliqués sur chacune des variables.

Tableau n° 6.3 : Récapitulatif du test de stationnarité de Dickey-Fuller Augmenté (ADF)

Variables	Trend	Constant	Nombre de retards	Valeur de test ADF	T tabulé	Valeur critique à 5%	Ordre d'intégration
Log (PIRB) Log (Tdes) Log (RM2) Log (Exr)	Non Oui Non Non	Non Non Non Non	0 0 4 1	-1,61 -3,95 -1,99 -1,405	-3,50 -3,50 -3,50 -3,50	-4,2412 -3,5670 -3,5943 -3,5731	I (0) NS NS
ÄLog (PIBR) ÄLog (Tdes) ÄLog (RM2) ÄLog (Exr)	Oui Oui Non Oui	Non Oui Non Non	4 0 3 3	-3,80 -6,28 -2,11 -4,02	-3,50 3,50 -1,95 -3,50	-3,6027 3,5731 -1,9546 -3,5943	I (1) I (1) I (1) I (1)

Source : calculs effectués sur les données à partir du logiciel E-Views 3.1

On acceptera l'hypothèse d'existence d'une racine unitaire c'est-à-dire d'un processus non stationnaire, lorsque la valeur empirique du test ADF est supérieure à celle du t- statistique.

La comparaison des valeurs du test ADF aux valeurs des t- statistiques lus (statistique de Mc Kinnon)^11(*) montre qu'au seuil de 5% trois variables sont stationnaires en différence première et une l'est en niveau. En remplaçant le taux d'intérêt par sa différentielle, toutes les variables deviennent ainsi intégrer de même ordre I (1). D'où l'existence d'un risque de co-intégration. Cela nous conduit à passer au test de co-intégration.

* ⁹ Akaike Information Critere

* ¹⁰ Schwartz Information Critere

* ¹¹ La statistique de Mc Kinnon (1991) est équivalente à celle de Dickey-Fuller, elle intègre le nombre de variables du modèle.