WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Politique monétaire et croissance économique en zone CEMAC: une évaluation empirique en données de panel

( Télécharger le fichier original )
par SIMONYANNICK FOUDA EKOBENA
Université de Yaoundé II - DEA / Master 2 2010
  

précédent sommaire suivant

1-2) Procédure d'estimation en données de panel

Après avoir présenté le modèle et ses variables, il est question dans la présente sous section de présenter la procédure générale d'estimation en données de panel.

- Test de stationnarité

L'étude de la stationnarité des séries temporelles est aujourd'hui devenue incontournable dans la pratique économétrique courante. Ceci est dû au fait que la plupart des analyses se faisant sur des séries longues subissent des perturbations d'origine diverses qui tendent à modifier la variance des données, ce qui biaise parfois les résultats des estimations. Tout travail empirique débute ainsi par l'étude de la stationnarité des séries considérées avec l'application d'un test de racine unitaire et éventuellement de cointégration.

En effet, si l'on arrive à l'issu du test, à la conclusion selon laquelle les séries sont stationnaires, on peut procéder à une estimation de notre modèle tel que spécifié sans aucune modification. Par contre, s'il s'avère que les séries ne sont pas stationnaires, l'on doit procéder à une correction de notre modèle : on passe ainsi à un modèle à correction d'erreurs. Pour cela, on effectue un test de cointégration et si l'hypothèse se cointégration est acceptée, on peut passer à l'estimation du modèle à correction d'erreur. Le modèle à correction d'erreurs présente une priorité remarquable qui a été démontrée par Granger (1983). Un ensemble de variables cointégrées peut être mis sous forme d'un modèle à correction d'erreurs dont toutes les variables sont stationnaires et dont les coefficient peuvent être estimés par les méthodes économétrique classiques.

Le test de Im-Pesaran-Shin (IPS) effectué avec le logiciel STATA 9.0 dont les résultats sont présentés en détail à l'annexe 2, a montré que toutes nos séries sont stationnaires. Nous pouvons donc procéder à l'estimation de notre modèle tel que spécifié sans aucune modification.

- Test de Hausman-Wu

Ayant un échantillon de données de panel, la première chose à vérifier est la spécification homogène ou hétérogène du processus générateur de données. Le test de spécification de Hausman (1978) est un test général qui peut être appliqué à de nombreux problèmes de spécification en économétrie. Mais son application la plus répandue est celle des tests de

spécification des effets individuels en panel. Il sert à discriminer les effets fixes et aléatoires. C'est un test d'orthogonalité entre les effets aléatoires et les regresseurs.

L'hypothèse testée concerne la corrélation des effets individuels aux variables explicatives H0 : présence d'effets fixes

H1 : présence d'effets aléatoires

Sous l'hypothèse nulle, la statistique du test suit asymptotiquement une loi de Khi-Deux à k degrés de liberté. On accepte l'hypothèse nulle si la statistique du test est inférieure à la valeur critique lue sur la table de Khi-Deux.

Les résultats du test de Hausman présentés en annexe 3 nous amènent à ne pas rejeter l'hypothèse nulle, le modèle à effets aléatoire peut donc être retenu pour estimer notre modèle.

- Test d'homogénéité de Fisher (test de significativité globale)

Ce test permet de vérifier l'homogénéité globale du modèle, il sert également de test de significativité globale. Les hypothèses du test sont les suivantes :

H0 : les coefficients des variables ne sont pas différents de zéro

H1 : les coefficients des variables sont différents de zéro

Ce test suit une Fisher à (n-1) et (Nt-n-k) degrés de liberté

On rejette l'hypothèse nulle si la statistique calculée est supérieure à la valeur lue sur la table.

Les résultats de ce test présentés en annexe 3 nous amènent à rejeter l'hypothèse nulle et donc à conclure à la significativité globale de notre modèle.

- Test de normalité des résidus

Ce test permet de vérifier que les éléments aléatoires sont distribués selon une loi normale. Cette hypothèse est justifiée par le théorème central limite.

Ce caractère aléatoire des erreurs constitue une hypothèse fondamentale du modèle classique de régression linéaire. Elle est justifiée par le fait que si les erreurs n'ont pas un caractère systématique, ceci suppose en outre que le modèle de régression n'ait pas oublié une variable explicative importante. C'est cette hypothèse de l'existence d'une loi de distribution statistique normale autour des vraies valeurs estimées, qui va permettre de faire les estimations des paramètres du modèle d'ajustement.

Les hypothèses du test sont les suivantes :

H0 : les résidus suivent une loi normale

H1 : les résidus ne suivent pas une loi normale

La décision est de ne pas rejeter l'hypothèse nulle si la probabilité du test est inférieure à la valeur lue sur la table.

Les résultats de ce test présentés en annexe 3, nous amènent à ne pas rejeter l'hypothèse nulle et donc à conclure à une distribution des éléments aléatoires de notre modèle selon une loi normale.

Une fois ces tests effectués, nous pouvons passer à une estimation des paramètres de notre modèle

- Résultats de la régression

Le tableau ci-dessous présente les résultats de la régression du modèle à effets aléatoires selon la spécification retenue précédemment.

Tableau 6 : Résultats de l'estimation du modèle à effets aléatoires . xtreg pib detpub infla m2 credit txdebt invest reserv exp , re

Random-effects GLS regression

 

Number of obs =

126

Group variable (i): pays

 

Number of groups =

6

 
 
 
 

R-sq: within = 0.3833

 

Obs per group: min =

21

between = 0.8436

 

avg = 21.0

 

overall = 0.4713

 

max = 21

 

Random effects u_i ~ Gaussian

 

Wald chi2(8) = 104.31

corr(u_i, X) = 0 (assumed)

 

Prob > chi2 = 0.0000

 
 
 
 
 

Pib | Coef.

Std. Err.

z

P>|z| [95% Conf. Interval]

+

 
 
 
 

lndetpub | -.0369357

.0261551

-1.41

0.158 -.0881988

.0143275

lninfla | -.0379571

.0926698

-0.41

0.682 -.2195865

.1436723

lnm2 | -.0020269

.0411573

-0.05

0.961 -.0826936

.0786399

lncredit | -.3440409

.1078551

-3.19

0.001 -.5554331

-.1326487

lntxdebt | .0454658

.2597508

0.18

0.861 -.4636364

.5545679

lninvest | .3621298

.0575891

6.29

0.000 .2492572

.4750024

lnreserv | -.0328064

.0085333

-3.84

0.000 -.0495313

-.0160815

lnexp | .0050688

.0395819

0.13

0.898 -.0725103

.0826479

_cons | 1.58037

5.616679

0.28

0.778 -9.428119

12.58886

+

 
 
 
 

sigma

 
 
 
 

_u | 0

sigma_e | 7.9231081

rho | 0 (fraction of variance due to u_i)

source : Construit par l'auteur à partir de l'observation des résultats sur le logiciel Stata 9.0

Les tests de significativité individuelle effectués sur les coefficients des variables explicatives du modèle et présentés en annexe 4 montrent que les coefficients des variables suivantes sont statistiquement différent de zéro : lndetpub (5%), lncredit (1%), lninvest (1%) et lnreserv (1%). Ce test révèle en outre que la variable la plus contributive à l'explication de l'évolution du PIB est l'investissement.

Concernant les signes attendus des coefficients estimés des variables explicatives, le tableau ci-dessous confronte les signes attendus des variables eu égard à la théorie économique aux signes obtenus suite à l'estimation des paramètres de notre modèle.

Tableau 9 : Signes attendus et signes obtenus des variables explicatives du modèle 2.

variables

Signes attendus

Signes obtenus

ln DETPUB

_

_

ln INFLA

_

_

lnM2

+

_

ln RESERV

+

_

ln CREDIT

+

_

ln EXP

+

+

ln TXDEBT

_

+

ln INVEST

+

+

source : construit par l'auteur à partir de l'observation des résultats sur le logiciel Stata 9.0

Comme prévu, la dette publique et l'inflation affectent négativement la croissance, tandis que les exportations et les investissements l'affectent négativement. Mais contrairement à nos attentes, la masse monétaire, le total des réserves et le crédit domestique fourni par le secteur bancaire ont un impact négatif sur l'évolution du PIB, tandis que le taux d'intérêt débiteur l'affecte négativement.

précédent sommaire suivant







9Impact, le film from Onalukusu Luambo on Vimeo.



Appel aux couturier(e)s volontaires

Hack the pandemiuc !

Moins de 5 interactions sociales par jour



BOSKELYWOOD from Ona Luambo on Vimeo.