IV-Estimation
économétrique
1-Test de
stationnarité
Les données sont de type temporel, il est donc
nécessaire qu'elles conservent une certaine régularité
dans le temps et ce pour chacune des séries. Une variable initialement
non stationnaire peut l'être en la différenciant. Pour
vérifier la stationnarité le test de Dikey-Fuller Augmenté
sera utilisé ainsi que celui de Phillips et Perron(PP). Ce dernier prend
en compte une possible corrélation sérielle d'ordre
élevé dans les premières différences en utilisant
une correction non paramétrique et il est le plus souvent
considéré comme étant plus puissant que le test ADF,
surtout pour les échantillons de petite taille.
La méthode utilisée est celle du moindre
carré ordinaire (MCO). Les tests ont été conduits par le
logarithme naturel et la différence première des variables. Les
résultats obtenus sont présentés dans le tableau 1
Tableau
1: Résultats des tests ADF et PP
|
ADF T-statistique
|
valeur critique au seuil de 1%
|
PP-statistique
|
valeur critique au seuil de 1%
|
|
pib/tête
|
-5.748627
|
-4.3942
|
-6.701512
|
-3,7204
|
|
Fbcf
|
-4.690776
|
-2.6649
|
-6.813295
|
-2.6603
|
|
Pop
|
-8.515672
|
-4.3942
|
5.087731
|
-2,6603
|
|
Open
|
-3.992231
|
-2.6649
|
-5.177720
|
-2.6603
|
|
Ide
|
-5.703688
|
-2.6649
|
-9.549506
|
2,6603
|
Les résultats suggèrent que pour toutes ces
variables les ADF-test statistique sont supérieur s à la valeur
critique au seuil de 1%. Il en est de même pour le test PP,
l'hypothèse nulle de l'existence racine unitaire est acceptée. Ce
qui est l'effet attendu (la stationnarité du variable).
2-Test de
cointégration
L'équation de long terme à estimer est la
suivante :
Tableau
2: Résultats de l'estimation de l'équation de long
terme
|
Les résultats de l'estimation de l'équation de
long terme sont présentés dans tableau 2
Method: Least Squares
|
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
C
|
37049.42
|
19756.35
|
1.875317
|
0.0791
|
|
DFBCF
|
146.0569
|
221.3746
|
0.659773
|
0.5188
|
|
DPOP
|
0.004078
|
0.065791
|
0.061984
|
0.9513
|
|
DOPEN
|
154.6585
|
159.1713
|
0.971648
|
0.3457
|
|
DIDE
|
-4.031477
|
121.6093
|
-0.033151
|
0.9740
|
|
PIB(-1)
|
-0.769586
|
0.234817
|
-3.277394**
|
0.0047
|
|
FBCF(-1)
|
74.22230
|
203.3535
|
0.364991
|
0.7199
|
|
POP(-1)
|
0.002846
|
0.002807
|
1.014123
|
0.3256
|
|
OPEN(-1)
|
374.5319
|
170.9688
|
2.190644*
|
0.0436
|
|
IDE(-1)
|
38.25946
|
174.4005
|
0.219377
|
0.8291
|
|
R-squared
|
0.508269
|
Mean dependent var
|
1269.861
|
|
Adjusted R-squared
|
0.231670
|
S.D. dependent var
|
3284.428
|
|
S.E. of regression
|
2878.946
|
Akaike info criterion
|
19.05196
|
|
Sum squared resid
|
1.33E+08
|
Schwarz criterion
|
19.53584
|
|
Log likelihood
|
-237.6755
|
F-statistic
|
1.837567
|
*significatif à 5% , **significatif à1%
Avec les séries temporelles on a le risque d'auto
corrélation sérielle dans le résidu, alors la statistique
de Durbin-Waston est utilisée pour détecter ce problème.
La statistique de D-W est de 2,01 il n y a donc pas d'auto
corrélation.
Il est également important de tester la
stationnarité du résidu de long terme. Si le résidu n'est
pas stable les variables ne sont pas cointégrées alors la
relation de long terme est une relation fallacieuse. Par contre si le
résidu est stable de la relation de log terme est relation de
cointégration.
Le test ADF sera l'outil pour la vérification de la
stationnarité du résidu.
La statistique ADF calculée est supérieure en
valeur absolue a la statistique lu(5,461068 superieur à 3,7856) alors on
accepte l'hypothèse de stationnarité de la série du
résidu. La relation de long terme est donc une relation de
cointégration.
Une autre remarque sur l'équation de long terme est que
le coefficient associé à la force de rappel est négatif et
significatif (-0,77) et significativement différent de zéro au
seuil statistique de 5% avec une probabilité de 0,0047 qui est inferieur
à 5%. Ce qui implique qu'il a un mécanisme à correction
d'erreur. Par ce mécanisme une modélisation simultanée de
dynamique de long terme et court terme a été possible
| 
