2.2 Collecte de données
Les données annuelles recueillies aupres des
institutions internationales (FMI et Banque Mondiale, OMC, CNUCED), seront
mobilisées pour construire une base de données (voir annexe).
Il s'agira ainsi des series chronologiques qui couvrent la
période 1988-2008, soient 21 observations. Cela nécessite un
traitement préalable des données.
2.2.1 Le tableau de colinéarité
Il convient de chercher s'il n'y a pas de
colinéarité entre les variables explicatives du modèle
pour commencer tout calcul econometrique. La méthode empirique de
recherche de colinéarité consiste a dresser le tableau de
coefficient de correlation linéaire note (R) entre les variables
explicatives prises deux a deux. Dans ce tableau si deux variables sont
colinéaires ou sensiblement colinéaire, leur coefficient de
correlation (R) est voisin a l'unité, les deux variables sont
liées linéairement entre elles. Il sera bon de supprimer l'une
des deux variables dans le modèle. C'est la variable explicative qui
représente le coefficient de correlation le plus élevé
avec la variable expliquee qui sera maintenue et traitée par le logiciel
EVIEWS.
Il s'avère apres observation qu'il y a une forte
dispersion dans les nuages de points d'oü la nécessité
d'introduire le log pour ne pas biaiser le résultat des tests. Ainsi,
nous obtenons la matrice de correlation suivante :
Tableau 13: Matrice des correlations
|
CROISS
|
LOG(EXP01)
|
LOG(IDE)
|
LOG(MONT
CREDIT)
|
LOG(RC)
|
|
CROISS
|
1.000000
|
0.039539
|
0.336312
|
0.171693
|
0.098543
|
|
LOG(EXP01)
|
0.039539
|
1.000000
|
0.654559
|
0.741483
|
0.815194
|
|
LOG(IDE)
|
0.336312
|
0.654559
|
1.000000
|
0.966176
|
0.830438
|
|
LOG(MONT
CREDIT)
|
0.171693
|
0.741483
|
0.966176
|
1.000000
|
0.890339
|
|
LOG(RC)
|
0.098543
|
0.815194
|
0.830438
|
0.890339
|
1.000000
|
Nous observons qu'il existe une forte correlation entre
certaines variables explicatives du modèle. Par exemple, on remarque une
correlation élevée de 0,966176 entre log (montcredit) et log
(ide), ce que nous jugeons non admis. Il serait donc nécessaire de
retirer la variable explicative du modèle qui présente une faible
correlation avec la variable dépendante (croiss) ; chose que nous
développerons par la suite.
| 
